独居老人作为社会上的一个特殊群体,需要对其安全给予必要的关注,这是当前一个重要的社会问题。用户用电数据在一定程度上可以反映其行为习惯,因此可以针对独居老人的用电数据进行精细化分析,建立独居老人关爱预警模型。为了达到精细化分析的目的,本文采用聚类的思想,将类似的用电行为聚在一起,不同的用电行为区分开,构成特征库并进行预警。由于时间序列采样的高频度和行为数据结构的复杂性,采用立体化聚类的思想,将聚类过程分为粗粒度和细粒度两个层次。在第一层粗粒度聚类中,通过自定义波动点将时间序列中具有代表性的点提取出来,再根据阈值合并用电峰,将一个复杂的时间序列简化为取值单一的序列,在此基础上提取了用户电流的峰信息特征,结合序列的描述性统计特征进行了第一层K-means聚类,将样本划分为几个大类,并对每个大类的特征差异性进行了分析。第二层细粒度聚类就是对第一层的每个大类进行更进一步的聚类。根据第一层聚类过程中的峰位置划分了若干个子段,对每一子段进行了压缩信息表示,对压缩的信息点进行基于时间限制的DTW（Dynamic Time Warping）距离度量,针对DTW距离矩阵求解连通子图,从而预先划分了少数类别,再进行谱聚类,由此将第一层聚类的大类进一步划分为多个子类,并对每个子类中用电时间差异、平均电流、用电持续时长等特点进行了分析。最后根据聚类的精细化分析和聚类标签,总结了预警规则制定的一些思路和步骤,并给出了两个示例。本文的贡献主要有三个方面。一是本文研究对象和研究方法的结合点特殊,主要的研究内容是针对独居老人用电数据分析其行为习惯,结合用电特点,从数据挖掘的角度去做时间序列聚类。二是将立体化的思想运用到时间序列聚类中,在第一层粗粒度聚类中提出的波动点提取规则和波峰合并规则是基于数据聚类需求提出的,对于同类型的问题有较强的适应性,在第二层细粒度聚类中对时间序列进行的信息点压缩和对类别的预先划分大大减少了计算复杂度,同时也保证了聚类的稳定性。三是提出了基于聚类结果的一些预警规则,并给出了预警的具体步骤,对独居老人预警问题在实际中的应用有一定的参考性。