随着智能电表数量的不断增加,逐渐形成了用户端大数据,这些数据隐藏着许多用户用电行为的潜在信息。如何快速有效地对电力用户端大数据进行分析,并挖掘用户用电行为的有效信息,是当今重要的研究课题。通过挖掘不同用户用电行为的相似性,发现各类因素与不同用电行为模式关联关系,可面向电力公司、用户和政府定制分析服务类应用。本文在现有研究基础上,对用户用电行为分析进行了深入研究,提出在对居民用户聚类细分后,挖掘各个影响因素与不同类型居民用户的关系。具体工作如下:1.分析了各类用户的负荷特性以及阐述了用户用电数据样本的构建方法,为提高聚类细分性能,采用Autoencoder对周负荷样本数据进行降维处理,保证其聚类的速度。2.充分研究了聚类算法,针对现存聚类方法的不足,为提高聚类效果,融入谱聚类的思想,提出US-ELM-Kmeans算法,并对居民用户进行了聚类细分。3.在关联分析过程中,针对现存关联分析方法的不足,给出优化后的Apriori算法,减少占用内存空间同时也提高了算法的效率,对聚类细分后居民用户进行了影响因素关联分析。4.在实验部分,通过与不同算法进行对比实验,验证了所提方法的有效性及可行性。