随着政府“煤改电”工程持续推进,大量电采暖负荷设备接入配电网台区,替代燃煤取暖,台区内负荷运行模式已发生改变,对配电网变压器运行载荷产生较大影响。变压器运行数据中隐含台区负荷潜在运行模式,但是现有数据无类别标注,且具有高维、非线性等特点,而深度学习和聚类算法在复杂数据处理挖掘方面具有优势,可以利用它们进行配电网负荷分类研究,从而进一步完成电网规划和合理的调度。本文首先介绍了配电网台区负荷特性研究的课题意义,接着列出了深度学习技术的发展现状以及负荷分类研究现状,指出当前电力领域传统负荷分类算法在处理日趋复杂的电力数据时的建模困难、不能自适应提取数据特征、存在“维度灾难”等缺陷。接着阐述了深度学习领域的稀疏降噪自编码器网络(Sparse De-noising Auto-Encoder,SDAE)的原理及特点以及常见的负荷分类算法,本文提出融合SDAE与聚类的负荷分类模型,对变压器负载率数据无监督训练,自适应提取特征,去噪并降维,使用K-means算法聚类分析,然后提出此融合模型为基础,将其作为预训练和预聚类部分,使用重构损失与聚类损失加权和的复合损失作为代价函数,同时训练深度网络和聚类的优化微调模型,以充分发挥深度学习与聚类优势,进行配电网台区负荷分类研究。本文最后采用配电网台区变压器实测数据,对两种模型实例验证,证明了均能够实现配电网台区负荷分类研究工作,且具有良好的抗噪性和泛化能力。经过指标对比分析,也证明了这两种模型比其他降维聚类算法优越,改进模型性能比融合模型有优势。