泛在电力物联网利用先进的人工智能技术,物联网技术,数据分析技术等新兴技术来实现智慧综合能源服务,使得电网全景实时数据采集、传输和存储,以及累积的海量多源数据快速分析成为其可靠运行的基础。通过深度学习智能算法对用户侧用电数据进行分析,进而对用户用电行为辨识,提供个性化,差异化的服务是泛在电力物联网建设过程中的重要部分。但是,电力系统数据存在带有标签的样本数据量小以及类不平衡分布的问题,因此,对小样本与类不平衡用电数据分类的研究对用户用电行为辨识具有重大意义。针对以上问题,本论文开展了基于智能算法的用户用电行为辨识的研究。首先,结合国内外用电行为研究的现状提出本文用电行为辨识研究的基本框架,并对框架中涉及的智能算法进行了阐述;其次,提出一种基于先验知识与深层受限玻尔兹曼机(DBM)采样类不平衡分布数据的用电行为辨识方法,通过人为经验与智能算法的结合对类不平衡分布的用电数据进行采样,利用极限学习机(ELM)对采样数据进行分类,引入准确率指标与召回率指标来度量方法的有效性;最后,由于上述方法易受人为经验影响,方法的效率仍需要提高,所以结合生成对抗网络(GAN)与循环神经网络(RNN)智能算法,提出一种基于分层生成模型生成小样本数据的用电行为辨识方法,对用电行为进行辨识。上述工作的开展提高了用电数据分类、用户行为辨识的可靠性与有效性,能够通过挖掘用电数据的重要信息,为相关政策及服务的制定提供有力的信息支撑,对泛在电力物联网的建设具有重要作用。