Page 130 - 《中国电力》2026年第3期

2026 年 第 59 卷

距离准则优化初始聚类中心选取，最大化初始中心间异 划分侧重于考虑数据点的分布密度，主要有通过点
质 性 以 提 升 聚 类 稳 定 性 ； 其 次 ， 引 入 核 函 数 映 射 机 制 ， 排序识别聚类结构算法（ordering points to identify
映射负荷曲线至高维空间聚类，实现高维特征的显式解
the clustering structure，OPTICS）。
耦 与 聚 类 分 析 。 仿 真 结 果 表 明 ， 在 特 征 提 取 能 力 方 面 ，
迭代式自组织数据分析算法（iterative self org-
改进算法生成的主成分分析（principal component analysis，
anizing data analysis techniques algorithm，ISODATA）
PCA）特征空间中变电站四季负荷特征呈现显著差异性，
通过动态调整聚类数目实现数据分类 [15] ，与固定
能更好地获取负荷高维特征；在算法性能方面，改进算
法使执行时间减少 32.8%，聚类评价指标戴维斯-布尔丁指 类别数的 K-means 算法相比，ISODATA 通过设置
数 （ davies-bouldin index， DBI） 降 低 了 29.1%， 邓 恩 指 数 阈值参数实现了更灵活的无监督学习过程 [16] 。该
（dunn index，DI）提高了 42.9%，验证了所提算法的有效 动态调节机制使算法能够根据数据分布特征自主
性和优越性。 调整聚类结构，既避免了 K-means 算法固定类别
关键词：变电站；负荷聚类；聚类效果指标 数的局限性，又有效提升了聚类结果对复杂数据
DOI：10.11930/j.issn.1004-9649.202505079
分布的适应能力 [17] 。

然而，传统 ISODATA 算法的纯数据驱动聚类
0 引言 存在双重局限性：1）其结果与电力系统领域知
识（如用户类型标签、典型用电行为模式）存在
在新型电力系统的背景下，能源结构转型导
割 裂 ， 导 致 聚 类 结 果 难 以 支 撑 实 际 调 度 决 策 ；
致分布式能源与非线性负荷大规模渗透，使电力
2）算法性能高度依赖初始聚类中心设置，不当
数据呈现高维度、大体量的复杂特性，大幅提升
初始化将引发局部最优解与收敛时间激增问题 [18] 。
负荷特性解析难度 [1-4] 。另外，当前电动汽车（electric
尤其值得关注的是，其对负荷曲线时序特征的提
vehicle， EV） 渗 透 率 不 断 增 长 ， 且 大 规 模 EV 无
取能力薄弱，欧氏距离度量难以捕捉相位偏移与
序接入电网，将带来负荷增长、电能质量下降、
形态波动等关键信息，致使相似用电模式被误分
电网运行控制难度增加等负面影响 [5-10] ，因此亟
类，严重制约聚类结果的工程可用性。
须充分了解变电站不同负荷特性，利用负荷曲线 为解决上述问题，文献 [19] 提出了基于此算
峰谷变化特征，做好负荷形态分类。变电站负荷 法 的 改 进 ISODATA 算 法 ， 提 升 了 算 法 鲁 棒 性 。
聚类作为解析上述负荷特性的关键方法，不仅能 文献 [20] 将原始净负荷数据映射到合适的高维空
为电网规划与设计提供精准的负荷分布依据，助 间。文献 [21] 将 ISODATA 算法与同步回代消除技
力变电站合理配置容量，还能支撑需求侧管理策 术相结合，从聚类结果中筛选出最具代表性的典
略制定，实现错峰用电与柔性负荷调控，同时为 型 场 景 集 ， 从 而 实 现 对 原 始 复 杂 场 景 的 有 效 约
市场细分与电力营销提供数据支撑，推动电力服 简，该方法既能保留原始场景的主要特征，又显
务精准化，为多场景应用奠定坚实基础。 著提高了计算效率。文献 [22] 创新性地构建了一
聚类分析是数据分析领域的重要研究方法， 种 融 合 ISODATA 与 蚁 群 算 法 的 智 能 分 类 模 型 ，
被广泛应用于电力负荷分析、负荷及新能源出力 有效克服了传统方法易陷入局部极值的问题。传
预测、用电行为分析等领域 [11-14] 。目前聚类算法 统 ISODATA 聚类算法尽管有效解决了 K-means 算
主要分为依据距离、依据密度和依据相似度等不 法需预先设定聚类数量的问题，但仍存在一定局

同角度进行划分。依据距离的划分主要有欧式距 限性：1）由于初始聚类中心是随机选取的，这
离和曼哈顿距离，其中使用欧氏距离的聚类算法 不 仅 可 能 使 得 聚 类 算 法 收 敛 速 度 缓 慢 、 效 果 欠
包括平衡迭代削减聚类法（balanced iterative reducing 佳，还会让聚类结果具有偶然性；2）在原始负
and clustering using hierarchies， BIRCH） 和 代 表 点 荷曲线的输入空间里，采用欧式距离作为距离度
聚 类 算 法 （ clustering using representatives， CURE） 量方式，无法捕捉到负荷曲线中的高维特征。
等，使用曼哈顿距离的算法包括具有噪声的基于 为克服上述传统 ISODATA 的缺陷，本文主要
密度的空间聚类算法（density-based spatial clustering 优化了初始聚类中心的选取方式以缩短聚类时间，
of applications with noise，DBSCAN）。基于密度的 采用核方法来获取数据的高维特征，提出了一种

126