在智慧电网的构建工程中,电力系统为实现高效输出紧急控制措施、电网主动解列等目标,首要任务是完成发电机同调机群自动识别工作。随着WASM中PMU实时测量系统技术的快速发展,将故障后发电机各属性的实时监测时序数据应用于同调机群识别任务的可靠性越来越高。从数据挖掘的角度出发,基于发电机的动态受扰轨迹的同调分群算法属于多维时间序列的聚类问题。时至今日,已有不同种类经典的聚类算法被提出。传统聚类算法存在的共同问题是需要在人工设置外参的前提下完成聚类任务。同时,外参取值对聚类结果的好坏具有决定性的作用。然而,在复杂的电网结构中,存在海量的扰动故障。每一个故障对应一个大规模、高维的时序数据集。各数据集自身特性多种多样、未知性强、复杂度高。导致外参参考范围难以量化,传统聚类算法在大电网的同调分群中无法自适应得到理想的聚类结果。因此,为达到智慧电网快速分析与及时调控的要求,实现电网自动同调分群至关重要。为解决传统聚类算法的完全依赖外参问题,本文引入自然邻居这一概念。考虑原有自然邻居定义不具备处理数据集中噪音样本的能力。对自然邻居的定义及其搜索算法进行了改进。提出基于自然邻居的无参层次聚类算法NNFPCH。本文依据同调分群时序数据的特性,提出IPET、IPEAT趋势特征提取算法,并利用此特征结合基于自然邻居的无参聚类算法进行同调分群实验。实验结果表明,本文的提取出的趋势特征低维高效,结合NNFPCH算法可快速且准确的完成电网自动同调分群任务。为增强NNFPCH在其他类型数据集上的适用能力,本文提出NNFPCH的改进算法NCFPCH。给出自然核心点的定义,并在此基础上定义了一种新型且高效率的样本连接规则以构成包含所有样本的邻接矩阵。最后,通过寻找该邻接矩阵的所有连通子图以完成数据集的聚类任务。为探讨算法的实际适用能力,本文在多类型的数据集进行实验,其中包括常见的手写数字、人脸图像等经典数据集。实验结果表明,同传统聚类算法、已有无参聚类算法相比,NCFPCH适用数据集类型广泛,运行速度快且综合聚类结果表现优越。