随着电网智能化的发展,出现了大量的负荷数据,负荷数据中蕴含的许多信息,这些信息有利于需求侧管理,负荷预测等工作的进行。传统的按照用户类型进行负荷聚类的方法不能满足电网控制的需求,通过研究发现对负荷曲线进行聚类,能将用户进行合理的划分,一种高效的负荷聚类方法能提取有用信息帮助供电公司发现用电规律,制定相应的调控策略,实现电力系统安全高效运行。针对负荷聚类研究存在聚类笼统无法进行负荷曲线分析的不足,本文对用户负荷进行聚类方法研究,主要工作如下:(1)由于电力负荷数据聚类过程中k-均值算法需人为指定聚类个数,导致聚类结果陷入局部最小解的问题,本文提出了基于动态时间归整直方图的k-均值算法,该方法首先利用主成分分析法对高维电力负荷数据进行降维,其次引入直方图法确定负荷数据的初始聚类数目,然后k-means通过DTW计算负荷曲线间的距离将负荷曲线分为K个类别,最后选取了DTW直方图的k-means算法与经典k-memas算法进行聚类对比,从算法运算时间、迭代次数、运算效率和聚类评价指标进行了比较,根据聚类结果对该地区用户负荷特性进行了描述。(2)针对初始中心点对负荷聚类结果的影响,本文引入了一种基于对数自适应引力搜索的k-均值算法。首先对引力搜索算法中的引力系数衰减因子做出改进,参数?由小到大变化,使得引力系数G从大到小非线性变化;其次将其应用于K-均值算法实现最优聚类中心位置的搜寻,使得初始聚类中心更加接近实际聚类中心,然后基于LAGSA的k-均值算法和传统k-均值算法通过实测负荷数据进行仿真对比,最后从聚类结果可知,基于LAGSA的k-均值算法进行负荷聚类时迭代次数少、收敛速度快、聚类准确性好、抗噪性能强、鲁棒性好,实验证明改进后的算法在处理负荷数据聚类时不仅提升负荷曲线聚类的效率,并且能够精细化地挖掘出不同用户的典型日负荷曲线,反映出用户的用电规律和特性。