科学、准确的负荷分类对电力系统的规划和经济运行都具有重要意义。然而,随着电力系统的发展,负荷数据日益复杂,且电力用户类型多样,目前的负荷分类方法已无法满足电力系统的需求,亟待对负荷分类方法进行研究,以期找到一种适宜当前负荷分类需求的新方法,为电力系统分析、决策人员工作提供有益的备选方案。K-means算法具有算法简单、理论可靠、收敛速度快、能有效地处理大数据集等优点,从而在科学和工程等领域中被广泛使用；但尚具有对初始条件过于依赖等问题,传统算法中随机选取初始中心点和预先确定聚类个数的方法会影响聚类效果。本文在对K-means算法深入研究的基础上,结合电力负荷数据海量、多维等特点,选择GSA肘形判据、距离代价函数、直方图等算法优化确定最优聚类个数,选择密度参数算法优化选择合理的初始聚类中心点。同时结合上述研究成果,对各优化算法进行对比分析,选择出最适合电力负荷分类的优化算法组合,即利用基于GSA肘形判据、密度参数算法优化K-means算法。以某一地区用户负荷的实际数据为例,通过仿真实验,验证了本文优化算法的有效性；结果表明,使用优化K-means算法对负荷分类,能够减少计算的迭代次数,提高分类的准确性,并且能够根据负荷的数据特征自动实现科学分类,显示了其优越性。