近年来,居民电力需求占社会电力总需求的比例正在逐渐上升,与工业电力需求相比,居民电力消费需求具有增长快,弹性大的特点,容易通过相应的政策进行宏观调控。因此减少不合理居民电力消费有助于降低整个社会的电力消费,从而降低能源消耗,有利于经济持续健康发展。从需求侧角度来看,研究居民电力消费特征以及相应的电力消费行为有助于电力服务公司制定更加有效合理的干预政策。近年来,大数据技术和人工智能技术在能源消费模式与能源消费预测领域发挥着越来越重要的作用,因此本文利用机器学习技术对居民电力消费特征进行了研究。本文分别研究了居民电力消费模式和居民电力消费概率密度预测,并且利用江苏省南京市2014年电力消费数据进行了实证研究。首先通过k-means聚类算法研究了居民节日电力消费特征,结果表明:春节期间存在三种典型电力消费模式,符合春节期间居民行为规律;劳动节与国庆节期间存在两种典型电力消费模式,符合居民劳动节与国庆节期间行为规律。其次,分析了居民的季节性电力消费特征,研究发现:居民在冬季与夏季期间电力消费量高于春季与秋季期间电力消费量,并且夏季与冬季期间电力消费波动性较大;冬季居民电力消费量与夏季电力消费量容易受到极端高温与极端低温的影响;夏季高温会导致居民电力消费量明显增加,并且电力消费峰值对高温存在滞后效应,随着高温次数逐渐增加,居民电力消费对高温的响应时间逐渐变短。最后本文研究了居民电力消费概率密度预测问题,利用特征工程构造了影响居民电力消费的特征。如温度相关特征、历史电力消费相关特征、空气质量相关特征、天气相关特征、日期相关特征等。在此基础上,利用深度前馈神经网络与核密度估计方法分别构造居民电力消费点预测与概率密度预测模型。结果表明:温度、日期、历史电力消费是影响居民电力消费的主要因素;与随机森林和梯度提升树相比,深度神经网络预测精度更高;与点预测相比,概率密度预测可以给出准确的预测区间,从而为决策者提供更有效的信息。根据上述分析结果,本文有针对性地提出相关政策建议来鼓励我国居民节能用电。