智能电网的普及产生了海量的监测数据,这些数据对于电网规划、运行状态分析、负荷预测以及用户行为分析等研究至关重要。高级量测装置获得的用户侧数据是挖掘用户用电行为习惯、研究用户类型的重要手段,为电力需求测响应和个性化用电服务提供科学依据。目前关于用户用电行为分析的研究还不成熟,本文利用多种数据挖掘算法对用户从宏观和微观角度进行用电数据特征提取、行为分析以及应用研究,一方面丰富了用户行为分析的方法,另一方面验证了用户行为分析的应用价值。传统的的电力用户分类主要是为了企业管理方便的需求或依据用户现实标签来进行划分,往往没有考虑到用户自身真实的用电特点,且在用电规律的研究上还仅仅局限在对用电负荷数据的分析,缺乏考虑更多的因素。为此,本文对工商业大用户用电数据集和居民用电数据集进行了研究。首先,针对电力大用户建立半监督的分类模型,利用改进的k-Means算法对用户的天用电曲线进行聚类,将聚类结果作为用户的类别标签,然后以用户用电曲线和类别标签作为训练数据建立分类器模型,从而实现新用户的识别分类。最后,针对居民用户使用关联分析方法挖掘家用电器用电之间的关联规则,将其作为参考因素引入到负荷预测建模中,利用长短期记忆神经网络(Long-Short Term Memory,LSTM)训练建立短期负荷预测模型,实验结果表明,与传统的方法相比,本文提出的方法显著提高了用户级负荷数据30.23%的预测精度,取得了个较好的实验结果。