随着电网智能化水平的提升,电网中投入了越来越多智能测量设备,存积了大量复杂的负荷数据。国家电网需要对它们进行处理,挖掘其中的有效信息为电网正常运行提供支撑。电网系统规划、负荷预测、需求侧管理、分时电价、负荷建模等问题的前期处理都需要以负荷聚类为基础。按照用户类型对负荷数据进行分类的传统方法已经不能满足现当前多样化电网业务的需求,因此,现在急需更加科学的负荷分类方法。根据智能电表全天采集的负荷数据可绘制出用电用户的日负荷曲线图,对它们进行聚类分析可得到该地区的用电特性和典型用户日负荷曲线,为电力系统可靠运行提供科学依据、对提高电网资产利用效率、节约能源等具有重大意义,因此,如何有效、快速地对大规模负荷数据聚类成为了国内外研究的热点。本文主要通过聚类和模式识别方法研究专变用户日负荷的分类问题。主要进行了以下四个方面的工作:1、查阅梳理国内外文献整理数据分类的方法和研究现状,研究负荷数据特性,对负荷数据的预处理进行详细介绍,例如:负荷数据异常值的检测和修补、负荷数据归一化。2、针对负荷数据降维的问题,本文介绍了两种方法:基于负荷曲线特性指标降维法和主成分分析法（PCA）。前者从每条负荷曲线中提取10个特征进行数据降维。后者选择累计贡献率达到95%的前8维数据。3、对K均值聚类算法进行深入分析,指出该聚类算法存在的两个缺点,并提出两种改进方法对K均值聚类算法进行优化。引入基于GSA肘形判据进行聚类数目K值的确定,对于初始聚类中心的选取,提出了密度聚类算法。并且还引进了最大最小距离的加权密度法,该方法不仅弥补了K均值聚类算法的缺陷,还解决了上一种改进方法过于依赖聚类准确性的问题。4、利用两种改进方法优化后的K-means聚类算法对复杂负荷数据聚类,从时间效率和聚类结果两方面进行对比,选取出更加科学的优化方法对K均值聚类算法进行优化,并对负荷数据聚类结果进行分析。本文创新点是提出了一种基于最大最小距离的加权密度法,该优化算法计算效率高,聚类结果稳定,并且弥补了基于GSA肘形判据方法确定K值中存在随机选取聚类中心等不可控因素和处理流程不科学的问题。