随着我国经济加速发展,电力系统的结构变得越来越复杂,供电部门的管理压力越来越大,由于电网的服务已经不适用于目前复杂的电力系统,用电用户对电网公司提出了更加高质量的电力服务需求。在大数据和人工智能技术快速发展的大背景下,电力能源行业智能化、信息化、网络化的需求极为迫切。本文首先分析实验所需数据集,用电用户聚类分析数据集用的是美国能源部公开的居民用电负荷数据集。对该数据进行整体的分析后对其进行季节性的分析,探寻其中季节对用电用户的用电习惯的影响。用电负荷预测用的是澳大利亚昆土兰州电力负荷数据集,对该数据集的年、周、日用电数据进行分析,分析其时间序列对其用电的影响;后又将用电数据和天气因素、电价数据进行综合分析,分析天气因素和电价对用电的影响。其次利用居民用电负荷数据集进行聚类分析实验,利用Ck-means聚类算法对居民用电负荷数据集进行聚类分析;对比实验结果表明,Ck-means聚类算法相比较k-means算法和模糊C均值聚类算法聚类效果要优越;利用Ck-means聚类算法将居民用电负荷数据集分成4类,并对每类数据进行具体的分析,从中挖掘出该类用户的用电信息。最后进行电力负荷预测方法研究,首先对用电负荷数据集进行训练集和测试集的划分,并利用训练集进行模型的训练,测试集进行模型的测试,建立PCACNN-LSTM神经网络模型进行电力负荷预测,同时对比RNN神经网络、LSTM神经网络、CNN-LSTM神经网络用电负荷预测结果,得出PCA-CNN-LSTM神经网络的预测效果最好。并选取数据集中的月用电负荷数据、周用电负荷数据、日用电负荷数据对其进行预测,实验的结果证明PCA-CNN-LSTM神经网络算法可以准确的预测出电力负荷。