随着电子信息技术及数据处理技术的不断发展,智能电表的功能日益完善。智能电表作为电网信息系统中最基础的数据来源,除了计量功能外,还承担着海量信息存储、状态监测、自动控制等功能。然而由于信息处理技术的限制,目前电力行业数据分析在计算精度、计算时间、信息挖掘全面性等方面仍存在不足,无法满足用电大数据分析要求。在竞争性电力市场引入的同时,通过海量智能电表数据挖掘用户用电信息,结合用户用电特征实行精细化用户管理,提供差异化服务已经成为电力行业重要研究方向。其中,居民用电量数据尤为重要,掌握好用户的行为特性和用电需求,是智能电网的深层次发展的重要关键,所以关注点要切实落实到居民用电行为上,分析用电量数据就有很深远的研究意义。针对以上问题,本文主要研究基于深度学习和聚类算法研究用户行为。主要内容如下:（1）介绍聚类算法在电力领域研究动态,从数据预处理、用电影响因素和典型聚类算法概念进行阐述,建立聚类算法的基本框架;描述了用户用电行为的发展进程及现状,不仅帮助了解了电力事业发展的难点,也提供了其发展的方向。（2）为了更好地了解用户用电特点,通过肘部法则和聚类算法的用户分析方法,根据用户用电特性不同将用户进行分类,根据不同类别的用户用电模式分析曲线特性和负荷特性,了解用户用电规律,从而更好的为电力行业用户管理服务提供信息基础,实现用电需求性响应措施。肘部法则确定最佳聚类数目,K-means++算法精准分析用户用电行为曲线,研究其日、月、年负荷特征,帮助相关电力人员能够清楚了解居民用户用电的规律,并依据用电曲线特征提出合理的用电规划建议。（3）面对用电规划比较杂乱的缺点,通过一种适用于海量负荷数据的预测算法,根据不同的预测评价指标标准,全面地将长短期记忆网络（Long Short-Term Memory,LSTM）、循环神经网络（Recurrent Neural Network,RNN）、门控循环单元网络（Gated Recurrent Unit networks,GRU）等预测算法作对比分析,选择最适合的预测方法,即LSTM算法进行负荷预测,对特定用电模式进行预测,得到不同的预测结果,从而达到规划后续用电的目的。（4）通过数据分解和随机矩阵理论的方法用于智能电表用户用电数据中的异常检测的方法。首先介绍变分模态分解（Variational Mode Decomposition,VMD）算法相关知识,提出利用数据分解的方法剔除噪声影响;然后结合随机矩阵理论的常用定义与定理进行系统论述,提出基于单环定理、M-P定理和偏差曲线进行异常检测的方法;最后将该方法应用于从真实智能电表采集的用户用电数据分析,依据单环定理和M-P定理的异常检测标准进行精准判断,验证了数据分解和随机矩阵理论在分析高度相关的电力数据方面的有效性。