Page 135 - 《中国电力》2026年第3期

蒋达飞等：基于改进 ISODATA 算法的变电站负荷特性聚类 2026 年第 3 期

表 2 跨季节特征维度对比 别不同负荷模式，为电网分季调度、新能源消纳
Table 2 Comparison of Cross-Seasonal Characteriza-
提供数据依据，对应对多元负荷接入挑战具有重
tion Dimensions
要现实意义，经仿真分析得出以下结论。
季节 核心维度 关键特征 典型场景
1） 本 文 所 提 K-L-ISODATA 算 法 相 较 于 目 前
春 PC1 双极对立 供暖-制冷切换期
大 部 分 传 统 聚 类 算 法 ， 可 以 自 动 确 定 最 佳 聚 类
夏 PC1/PC3 强聚集+尾部发散 空调负荷与极端气候
数，有效克服了传统算法选取聚类数目时的主观
秋 PC2 核心-外围结构 农业/温变混合负荷
不确定性问题。
冬 PC3 核心稳定+尾部异常 极寒天气响应
2）所提 K-L-ISODATA 算法在多种维度的数据
两者之间，但波动率较大。这一分析可为电网调 集验证中，聚类所需时间和聚类评价指标均优于
度提供依据，例如在夏季优先调整早高峰容量， 其他算法，相较改进前算法缩短了聚类 32.8% 执行
冬季则需预留晚高峰冗余，验证了聚类分析对季 时间，DBI 和 DI 指标分别改善了 29.1% 和 42.9%。
节负荷模式识别的有效性，为分季调度策略制定 3）本文算法聚类得出的四季负荷曲线特征区
提供了量化依据。 分明显，PCA 与聚类联合分析有效揭示了负荷时
不 同 聚 类 方 法 所 需 的 执 行 时 间 如 表 3 所 示 ， 空规律，符合实际场景不同负荷需求差异，后续
K-L-ISODATA 算 法 从 DBI 和 DI 指 标 评 估 均 展 现 可结合气象数据强化解释性。
出最优的聚类性能，其 DBI 值相较 K-means 算法、 后续研究可进一步拓展算法的应用场景，将
K-Medoids 算法和传统 ISODATA 算法分别降低了 其推广至含高比例新能源、储能及多元负荷协同
35.0%、25.0% 和 29.1%，其 DI 值相较其他 3 种算法 互动的复杂配电网场景中，探索多源异构数据融
分别增加了 81.8%、21.2% 和 42.9%。K-L-ISODATA 合下的负荷特性聚类方法，以提升对新型电力系
算法相较其他算法所需执行时间最短，相较其他 统动态特性的解析能力。
3 种算法分别缩短了 3.0%、70.8% 和 32.8%，验证
了 K-L-ISODATA 算法能通过优化初始聚类中心选 参考文献：
取 的 方 式 缩 短 聚 类 所 需 时 间 ， 从 而 改 善 了 原 始
ISODATA 算 法 执 行 速 度 慢 的 问 题 ， 仿 真 结 果 表 [1] 王杰, 郑飞, 张鹏城, 等. 基于数据驱动的高比例新能源配电网规划
明，K-L-ISODATA 算法的初始中心选择策略更具 模型 [J]. 中国电力, 2025, 58(3): 175–182.
合理性。 WANG Jie, ZHENG Fei, ZHANG Pengcheng, et al. Model of high-

proportion new energy distribution network planning based on data-

表 3 不同聚类方法所需执行时间
Table 3 Execution time required for different driven approach[J]. Electric Power, 2025, 58(3): 175–182.
clustering methods [2] 陈仕龙, 吴涛, 郭成, 等. 基于相关性分析的电网非同步监测数据场
算法 K-means K-Medoids ISODATA K-L-ISODATA 景谐波责任划分 [J]. 中国电力, 2025, 58(1): 15–25.
时间/ms 13.5 44.8 19.5 13.1 CHEN Shilong, WU Tao, GUO Cheng, et al. Harmonic responsibility
DBI 0.60 0.52 0.55 0.39 division of grid asynchronous monitoring data scenarios based on
DI 0.22 0.33 0.28 0.40 correlation analysis[J]. Electric Power, 2025, 58(1): 15–25.

[3] 周洋, 黄德志, 李培栋, 等. 考虑平衡端点相位不对称及光伏接入的
4 结论 低压配电网三相潮流模型 [J]. 中国电力, 2024, 57(10): 190–198.
ZHOU Yang, HUANG Dezhi, LI Peidong, et al. A three-phase power
针对传统 ISODATA 聚类算法收敛速度慢以及 flow model for low-voltage distribution networks considering
难以捕捉数据高维特征的缺陷，本文提出的 K-L- balanced bus phase asymmetry and photovoltaic access[J]. Electric
ISODATA 方法适用于时序性强的负荷数据聚类分 Power, 2024, 57(10): 190–198.
析，优化了初始聚类中心的选取，并采用核方法 [4] 王伟杰, 黄海宇, 徐远途, 等. 电动汽车参与主动配电网电压调控的
以获取数据的高维特征，而变电站负荷聚类作为 策略研究 [J]. 广东电力, 2023, 36(10): 93–104.
新型电力系统运行优化的核心支撑技术，精准识 WANG Weijie, HUANG Haiyu, XU Yuantu, et al. Strategy research

131