本文对聚类算法和遗传算法展开了研究,并且分析了它们的优缺点。K-medoids算法容易陷入局部最优解、对初始值敏感,而遗传算法具有全局搜索的能力和隐并行性。针对这两方面的问题,本文对已经提出的遗传聚类算法进行了深入的研究并改进了交叉因子,大大提高了聚类的质量。聚类结果和少量的先验知识之间可能存在不协调性,本文引入了半监督聚类的思想。半监督聚类的优点在于针对无标签样本数据集合进行聚类时,可利用少量有监督的样本信息,提高聚类结果的准确性。基于半监督聚类的思想,本文提出了动态粒度与遗传聚类算法相结合的方法。最后,采用UCI基准数据集里的数据验证了此方法的正确性和有效性,并将此算法应用到电力设备缺陷的分类中,为电力设备缺陷的预测奠定了基础,提高了设备缺陷预测的效率和准确度。