聚类分析是数据挖掘中的核心技术,它能够无监督的将样本区分开,从而方便观察每一簇数据的特征。密度峰值聚类(Density Peaks Clustering,DPC)是聚类分析的重要分支,可以较好的找到数据的类簇中心,并合理地将剩余样本分配给相应的类簇,从而发现样本间的隐藏模式与规律。DPC算法原理简单、参数较少、运行高效,已运用到不同领域,取得了较好的应用效果。电力系统短期负荷预测对电力系统生产计划、发电机组优化调度等具有重要作用,是一个受多因素影响的非线性复杂过程。支持向量回归是一种典型的预测方法,已广泛应用在电力系统短期负荷预测。其在预测过程中未对训练样本进行筛选,导致训练的数据量大且无关数据多,致使预测精度不高。DPC算法具有较好的应用前景,但该算法仍存在如下不足:算法局部密度的鲁棒性不强;分配过程易产生分配错误连带效应,导致聚类效果降低。针对DPC算法局部密度与分配策略的不足,本文采取层次聚类算法对DPC算法进行优化,提高聚类效果;同时将优化后的DPC算法应用于支持向量回归的电力系统短期负荷预测,实现训练样本的自动选取,提高支持向量回归的预测性能。本文的主要研究内容如下:(1)提出寻找潜在类簇中心融合层次聚类的密度峰值聚类(DPC-PCCHC)算法。该算法利用样本构成的决策图,用线性拟合的方法挑选出拟合曲线的斜率大于阈值的点作为潜在的类簇中心,然后将剩余样本分配到潜在类簇中心所在类簇,最后利用层次聚类技术进行类簇合并,完成聚类过程。人工、真实数据集的实验结果表明,该算法能够很好的发现数据的类簇中心并能取得较好的聚类效果。(2)提出核密度估计和最小生成树的密度峰值聚类(DPC-MST)算法。该算法采用高斯核密度估计样本的局部密度,协调局部样本与整体样本的关系;提出一种样本分配策略,该策略结合最小生成树思想,依据密度大、距离近的原则,将数据集生成一棵树,定义和计算断开该树一条边前后的簇内聚合度,选择簇内聚合度值较大的一条边进行断开,重复此过程直到满足期望的类簇个数为止。为验证DPC-MST算法的性能,将DPC-MST算法与DPC及其改进算法进行对比,通过聚类结果可知,该算法聚类效果更优。本文最后,将DPC、DPC-PCCHC及DPC-MST算法与支持向量回归的电力系统短期负荷预测模型融合,并运用到某地区的电力系统短期预测中,实验结果表明,改进后的密度峰值聚类算法具有更好的预测精度,DPC-MST算法的聚类性能更优。