从“中发9号文”到“三型两网”战略目标,电力市场改革和职能电网建设的步伐在坚定不移的向前推进。电力市场所承载业务越来越复杂多样,同时,大量智能量测设备也在投入使用,导致电力负荷数据网络的规模也在不断扩大,运用有效的数据挖掘技术对这些数据进行分析利用,对电网稳定运行及电力市场健康发展有重要意义。负荷模式识别就是对不同负荷数据进行分析,并依据负荷特点划分出不同类型的负荷模式,然后根据各类别负荷模式制定相应的策略,对电力系统进行负荷分析规划、需求侧控制及响应、负荷预测等工作有着重要的参考价值及意义。负荷模式识别的研究内容主要是对已有负荷曲线的聚类分析以及对未知负荷的分类识别。首先对负荷数据库中的数据集进行聚类分析,得到多种典型负荷并针对不同类型的负荷制定不同的处理方式,再通过不同种类的负荷数据训练出能够识别负荷类型的分类器,对电力网络中量测设备所采集到的新的未知类型的负荷数据进行分类识别,将其划分到某一类负荷中,这样便可以运用针对该类负荷的处理方式来处理新采集到的未知类型负荷。本文针对传统负荷聚类及分类方式中存在的不足进行分析讨论,并提出改进方案,主要内容如下:(1)为解决传统聚类算法处理高维负荷数据时遇到的计算量及存储量的困难,将t-SNE降维技术应用于负荷数据的处理,与常用的PCA降维技术相比效果更好。(2)负荷聚类算法中常用的K-means算法存在两个主要问题,一是初值影响聚类效果,另一个是需要提前确定聚类的类别数量。本文采用基于t-SNE和GSA肘形判据的二分K-means算法,解决了传统K-means算法的两大难题,且聚类质量有明显提升。(3)常用于负荷分类识别的方法往往都是通过大量样本来训练单个分类器用以提高精度,但单个分类器的学习能力终究有限,本文将Adaboost集成学习算法与BP神经网络相结合,通过多个分类器集成学习组合为高精度分类器,提升了分类准确率。(4)研究了典型负荷模式的特点,分析了各类负荷中常见的典型行业的负荷特性。