电力市场运行机制和辅助服务的精细化发展对于负荷信息处理的准确性、实时性和智能性提出了更高的要求。然而随着电力系统中可再生能源和负荷种类的增加,其复杂性和耦合性逐渐加强,加之智能化数据采集装置的广泛应用,产生了体量庞大、结构复杂、种类繁多的用电数据信息。针对用户负荷数据的特点,研究有效且高效的负荷数据挖掘分析技术、负荷聚类分类算法及负荷模型提取方法对于电网可靠运行、用电智能化控制、用户用电个性化关怀等方面均具有重要意义。虽然近些年针对负荷分类的研究较为丰富,但在负荷分类效率、分类质量以及分类结果的可解释性等方面有待进一步改进。针对上述三个方面,本文采用基于时序轨迹特征学习和有监督无监督结合算法的负荷分类方法进行用户用电行为模式识别:（1）针对日负荷曲线聚类算法过程中存在的边界样本模糊导致聚类质量及数据维度大导致计算效率偏低的问题,提出一种基于SVD-KICIC的聚类算法。首先利用奇异值分解对原始数据进行降维处理,然后通过KICIC算法最大化类间距离进行日负荷曲线聚类分析。保证类内距离最小化以及类间距离最大化,实现负荷的高效准确聚类。精准的负荷标签是后续时序轨迹特征学习的基础,因此进一步基于K-mediods算法计算聚类中心的思想,从上述聚类结果中筛选出更加精准的负荷标签数据。（2）针对现有负荷分类研究往往忽略了分类结果可解释性的问题。提出一种时序轨迹特征提取方法。首先,通过FLAG算法获取具有较强可解释性的Shapelet子序列集。然后,基于Shapelet转换技术从有标签数据和无标签数据中提取时序轨迹特征,分别获得训练集和测试集用于后续分类模型的搭建。（3）针对传统强分类器存在的过拟合现象及“黑盒子”问题,采用基于时序轨迹特征学习的随机森林弱分类器集合算法对负荷曲线进行高效精准分类并提供可解释性Shapelet分类依据。基于某市大量负荷曲线数据,比较神经网络、支持向量机、决策树等强分类器算法与随机森林弱分类器集群算法的时效性、精确性以及稳定性。通过评价指标筛选出基于时序轨迹特征的随机森林算法作为负荷用户精细分类的分类器。经仿真实验验证,利用本文提出的电力负荷用户精细分类模型对用户分类,分类结果有着较高的时效性、准确性以及可解释性。依照本文提出的电力负荷用户精细分类模型,电力企业可以对用户进行更加精准高效的类别划分,并挖掘研究分类依据,预判用户类别,为不同用户提供不同供电需求。