随着智能电表的普及使用,用户用电数据的收集变得更加高效可靠。对用户用电数据进行挖掘和对数据背后的用电行为的分析指导着电网企业更有针对性地对不同用户提供差异性的电力服务,并使得电网企业能够从海量的数据中实现更大的价值。为此,本文尝试从两个方面对用户的用电行为进行分析研究,一是用户用电行为的异常检测,二是用户用电行为的聚类分析。在用户用电行为的异常检测方面,针对传统的基于近邻度的异常检测方法只从欧氏距离判定样本的异常程度的问题,本文提出一种全新的基于局部矩阵重构(Local Matrix Reconstruction,LMR)的异常用电行为检测方法,该方法从样本之间欧氏距离和样本的数据分布两个角度计算样本的异常程度。该方法首先提取每个电力用户的日负荷用电特征,以表征其典型用电行为;然后利用本文所提出的局部矩阵重构异常检测算法计算各个用户用电行为异常程度;最后设置不同的异常判定阈值,将电力用户归类为异常和正常两个类别。本文利用受试者工作特征曲线(Receiver Operating Characteristic curve,ROC曲线)和Precision-Recall(PR)曲线对算法性能进行分析,并与传统基于近邻度的异常检测方法作对比。实验结果表明本文所提方法具有较高的检测准确率和参数稳定性。在用户用电行为聚类方面,针对不考虑负荷纵向随机性所导致的数据损失和用户误分类的问题,本文首次提出了一种考虑负荷纵向随机性的基于推土机距离(Earth Mover’s Distance,EMD)的用户用电行为聚类新方法。该方法统计电力用户同一时刻多天的负荷分布情况,从横向和纵向两个角度全面表征电力用户的用电行为。并结合推土机距离和欧氏距离度量不同用户用电行为的差异程度。本文最后以一组开源的居民用电负荷作为基准算例进行分析,算例结果表明:在横向特性较为相似的用户中,该方法能够很好地捕获用户的纵向特性。从定性和定量的角度分析,该方法对用户用电行为的聚类效果更加精细合理。