“灵活开放、高效互动”是未来新型电力系统的突出特征,新能源作为新型电力系统的主体,也将对电力系统负荷侧调节能力提出更高的要求。此外,电动汽车、智能园区等柔性负荷在电力系统中占比逐步增加,“源-荷”双侧随机性进一步凸显,给电力系统安全稳定运行带来了新的挑战。在这种情形下,基于智能优化算法等关键技术,对负荷侧资源进行用能曲线优化,是提升电网调节能力,降低用户用能成本的有效措施,对我国电能的高质量发展有着重要的现实意义。本文以园区用能优化为背景,基于电力负荷数据,对其中的价值进行聚类及预测,进而研究园区用能优化策略,为我国负荷聚集型园区等用户群体的用能优化服务提供理论支撑。首先,本文建立了园区用户用电行为聚类及负荷预测模型,将负荷聚类及预测的数据结果输入到用能优化模型当中。为提炼整合出园区各主体用户的负荷特性、提高用能优化的效率,构建了改进的K-means用电行为聚类模型,通过引入DBI指数确定初始聚类数降低了因人工操作所产生的误差,并剔除非典型日提高了聚类曲线的代表性。接着建立基于LSTM算法的短期负荷预测模型用于预测未来24小时的负荷值,为提高预测的精准性,建立了训练集和测试集,并选用了均方根误差判定预测水平,经过多次训练及更新网络后以提高预测精度。然后,构建了园区用户用电行为聚类及负荷预测模型与用户—园区运营商用能优化双层决策模型。下层的园区用户决策主体以用户用能成本降低与维持舒适度为目标,制定用户需求响应参与策略,方法上用线性规划方法进行求解,上层的园区运营商决策主体对内向园区用户购买需求响应服务,对外向电网售出需求响应服务制定园区需求响应定价、园区负荷、储能等用能设施的优化调度策略,采用差分进化方法进行求解,以期提升园区的综合服务水平与效益。最后,为验证本文提出模型的有效性与实用性,根据某园区的负荷数据进行算例分析。结果表明,经改进的K-means聚类算法聚类得到的用户用电特征显著,之间差异较大;基于LSTM的园区短期负荷预测模型在更新网络后预测曲线精准性较高,均方根误差较小;建立的双层优化模型使园区峰谷差率降低,缓解了电网压力,购电成本减少,园区和用户分均获得收益,证明了该模型的可行有效。