在大数据和云计算技术的支持下,电网的规模越来越庞大,随之带来的电网数据量呈指数式增长。采用科学有效的方法对积累的电网大数据进行分析是当下研究的热点,其中对电力用户的差异性用电负荷进行分类是一个重要课题。目前的电力系统中,分布式能源并网率越来越高,导致电力用户的用电类型趋向多样化发展,负荷曲线形状复杂程度渐高,很难继续采用传统的用户申报的负荷类型对用户负荷归类。因此,研究一种科学有效的负荷差异性分类算法是现在迫切需要解决的问题。作为对数据聚类结果的一个应用分支,需求侧管理在缓解电网系统不稳定、削峰填谷等电能管理方面逐渐发挥出愈发明显的效果。在目前的电力市场背景下,需求响应(DEMAND RESPONSE,DR)依靠其“互动”的特性,逐渐成为需求侧管理的主要方式,并且在研究领域和实际工程中有着较快的崛起。针对目前已有的问题,本文研究了一种新的聚类算法,PEARSON相关聚类算法(PEARSON CORRELATION CLUSTERING,PCC),该算法基于一种新的聚类判断条件——PEARSON相关系数。该算法先甄别出数据源中的异常数据并加以数据处理,将预处理过的数据进行数据降维以提高算法的运行速度。首次在聚类中心确定过程中应用PEARSON相关系数作为阈值判据,力求改善传统聚类算法中初始聚类中心生成随机性太大的缺点;分别计算用户负荷曲线和聚类中心间的PEARSON相关系数,与事先设定的系数阈值进行对比并加以分类,最终利用DBI系数确定最佳聚类效果。在聚类结果的应用方面,以需求响应为出发点,构造了一种结合电力负荷分类的需求侧响应电价模型,综合考虑电力价格的变化率和市场需求变化率,以电力市场中用户的需求价格弹性系数为基础,通过对一天不同的时段划分分别设定不同电价,综合考虑供需两侧利益以建立分时电价模型。以峰负荷最小化、谷负荷最大化且用户购电费用尽可能少为最终实现目标建立目标函数。通过研究,结合电力负荷差异性分类,针对不同类型电力用户进行电价模型算例仿真,并且将仿真结果与未实行电价模型的负荷相比较,结果表明该电价模型可以取得较好的需求侧管理效果,能够作为制定峰谷电价的依据。