在智能电网快速发展的今天,电力大数据逐渐成为研究热点。随着智能电表不断普及,电力数据可实现实时采集,这些数据样本包含了大量用电量数据及用电方式信息,对这些样本数据进行分析可以获得相关数据的隐藏规律,从而为智能化发展提供有力支持。在大数据环境下分析用电数据之间的关联性,对有效的数据挖掘算法进行研究,挖掘出潜藏在用电数据中的用电行为习惯,对用户进行按类区分,找出隐含的价值信息,为用户智能化建设提供帮助。针对上述问题,有必要对用户用电行为进行深入研究。本文从用户的用电数据入手,提出一种考虑类内类间协同的适合用户用电行为分析的聚类方法。主要研究工作如下:（1）为了实现对用户用电行为分析,本文首先构建全体用户用电特征集作为聚类样本,通过聚类训练分析出用电特征的相关信息;然后引入聚类评价指标有效性和准确性,考虑到用户用电数据量大,数据类别也不能事先给定,因此通过用各用电数据的相关性,提取典型和次典型用电数据;为解决个别用户的用电数据异常问题,通过设置阈值将不符合要求的数据剔除;构建最优聚类数模型,以“类内相似度最大化,类间相似度最小化”原理,提出距离评价函数,建立数学模型并设计出一种新的k值优化算法;最后,用具体的用电数据对用户进行数据仿真,验证本文所提聚类算法的合理性;（2）为了选出具有代表性的用电特征,在上述的用户用电特征集中,制定一种基于互信息的优选方法。首先要做的是对常用的用电特征归类;然后根据构建的优选方法提取优选特征集,当满足条件时输出此时的用电特征集;接下来对用户用电行为按照（1）中提出的方法进行用户用电分析;最后通过一系列的验证分析,说明了本文算法的合理性;（3）在（1）中的用户数据仿真部分增设“基于自适应的分布式聚类算法”并作为本文对比算法,为本文算法的合理性和有效性提供一个支撑平台。首先提出自适应算法,建立局部模型;由于每一个小的局部聚类中心具有不同的典型性,因此在二次聚类时考虑“权重”概念,以改进后的算法对全局数据中心接收到的所有局部模型二次聚类即为全局聚类;然后用于（1）相同的用电数据仿真得出结论。本文提出的分析方法不仅可以应用在用户用电行为的分析上,在其他场合仍然使用。在接下来的工作中将会对其聚类效果做进一步展开研究和分析。