电力负荷模式分类已经变得越来越受到重视,其在负荷预测,异常用电检测等许多方面均有重要的应用,目前电力用户的负荷模式分类主要面对两个主要问题,其一是随着负荷数据采集的普及,负荷数据变得越来越多,据悉,一线城市在用电高峰期将面临高达数以百万记的电力负荷数据采集量,传统的单机聚类算法将很难及时对采集到的负荷数据得到有效的处理,需要一种负荷电力用户特性的分布式聚类算法;另外一个问题是目前电力用户分类中主流使用的模糊C均值聚类算法对于处理类之间数据量相差较大的问题不擅长,而电力用户各个分类之间的数据量恰恰是相差较大的。为解决以上两个问题,本文研究并改进了相关的聚类算法,以期解决类之间数量相差较大的问题。并研究了相应的分布式算法,使改进的算法可以运行在分布式的环境中。同时研究了电力用户负荷分类以及其在电力异常应用检测中的相关文献。本文主要工作如下:1.修改了 csi-FCM算法,在对该算法的研究过程中发现其虽然对不同数据量的类之间的聚类有一定效果,但是存在初始中心位置和类之间距离敏感的问题。通过加强数据量较小的类内纯净度较高的元素的重要性来解决以上问题。2.利用修改领导者选举者算法将修改的算法分布化,改进后的算法在对源数据集进行数据约减的时候可以产生更加科学的代表点集,通过将所有代表点发送到中央节点进行全局聚类。3.使用新的分布式算法对电力用户的负荷数据进行聚类,得到了较FCM算法更科学的分类,并使用得到的负荷代表曲线去进行进行异常用电检测,检测的正确率要好于FCM算法。