随着新型产业的迅速发展,无时无刻不都在产生与积累大量数字信息,聚类分析作为数据挖掘的重要工具,目的就是从无标签数据集中获取数据内部潜在规律,这使得其成为互联网时代从海量数据中获取对人类发展有价值的信息的重要技术。k-means算法是聚类分析领域的热门算法之一,有着简单快捷、实用性高和伸缩性强等优点,在文件处理、传染病、市场监管等多领域广泛应用。由于k-means算法选取聚类数目k值跟初始值的随机性,导致聚类结果不稳定。为此,不同于k-means传统解法Lloyd算法,论文提出一种基于谱聚类形式的k-means新解法,解决了随机选取初始值导致高维大数据集聚类效果不佳问题。此外,将所提方法应用在油浸式变压器故障预报上。论文的主要工作叙述如下:（1）简单介绍了相关背景知识,详细地介绍k-means算法传统解法Lloyd算法具体步骤;简要介绍基于图论的谱聚类算法、三种常见的聚类评价指标、谱旋转及谱松弛等,为下文提出k-means新解法奠定了理论基础。（2）Lloyd算法由于初始值的随机性导致聚类结果较差,针对高维大数据集尤为明显。为此,论文提出了一种基于谱聚类（Spectral Clustering）形式的k-means算法的新解法。不同于Lloyd算法随机选取初始聚类中心,SCK-means算法从解k-means算法目标函数的角度出发,通过求导、非奇异分解、坐标下降法等方法对目标函数值变换成谱聚类形式,然后迭代更新直至得到最优解,将其得到的指示矩阵带回数据集确定最终聚类结果。最后在数据集上进行实验,显示了新解法SCK-means算法的快速性和有效性。（3）结合故障应用领域的特点,论文提出了基于SCK-means的油浸式变压器故障预报方法。首先建立并优化背景值序列的GM（1,1）模型,预测油浸式变压器故障状态时五种特征气体（H 2、CH 4、C2 H 2、C2 H 4、C2 H 6）含量;其次,根据特征气体对变压器故障权重不一的特点,采用互信息方法确定特征气体权重;然后,根据六种常见的油浸式变压器故障,设置SCK-means中聚类数k值为6,利用所提方法SCK-means得到聚类结果,最终确定变压器故障类型;最后,仿真结果表明所提方法的有效性。论文提出了有别于传统Lloyd算法的一种k-means新解法,收敛性快,精度高。研究成果对扩展k-means算法的解法具有一定的研究意义。