在智能电网的背景下,智能电表、用户侧负荷监测技术与数据采集装置的广泛应用,使得获取海量居民用户及其家用电器的用电信息成为可能,为配用电大数据挖掘提供了基础条件。基于智能电表数据的居民用电行为分析与负荷预测是智能配用电中的关键技术,能够帮助供电企业感知用户的用电习惯,挖掘用电规律,把握未来用电态势,从而制定合理的需求响应计划与分时电价方案,达到削峰填谷、节能减排、优化电能质量的目的。因此,本文采用深度学习方法对用户用电行为聚类分析与负荷预测技术开展了深入研究,并构建了可拓展交互式设计的用户负荷分析平台,具体工作如下:1)智能电表带来丰富用电信息的同时,高维、海量的负荷数据也为用户用电行为聚类分析带来挑战。为此,提出一种基于递归图与卷积自编码器的负荷聚类方法。首先将一维负荷曲线转换为二维递归图,挖掘负荷曲线的平稳性与内在相似性,实现特征增强;然后利用卷积自编码器的高级特征提取能力对二维负荷图像进行数据降维,减少特征冗余;最后利用谱聚类算法实现负荷聚类。通过公开数据集验证了该算法应用于负荷曲线特征提取与负荷聚类的有效性。2)由聚类得到的同一类型用户具有相似的用电规律,可由其中单一用户的典型负荷曲线来表征整体的负荷特性。但居民个体用电行为的不确定性强、难以准确预测,为此,提出了一种基于电器负荷特性分析与深度学习的居民个体负荷预测方法。首先基于负荷特性分析将电器分为持续型与间歇型两类,然后研究了多元特征与居民用电行为的相关性和特征的预处理方法,最后分别提出了基于负荷分解与深度学习的持续型电器负荷预测模型和基于多任务学习的间歇型电器负荷预测模型,实现了自下而上的居民负荷预测。通过公开数据集验证了所提方法的合理性和有效性,并深入分析了预测时间尺度、历史数据时间尺度、负荷采样频率等因素对预测精度的影响。3)为便于开展用户用电行为分析,实现所提方法的工程应用,开发了可拓展交互式设计的用户负荷分析平台。该平台可灵活拓展高级功能模块,能够适配多种类型终端,支持跨平台操作,在配用电大数据环境下能够实现流畅的可视化,并赋予操作人员现代化的交互体验。通过实际工程应用验证了所开发平台的先进性与便捷性。