随着传统电网朝着智能电网发展的速度越来越快,不仅加剧了电网的信息化程度,而且导致了用户用电数据也在不断增加。因此在当前背景下,选取合适的机器学习算法对电力用户日常用电的数据进行深入挖掘,可以将潜藏于海量用电数据中的用户用电行为模式识别出来,可以准确的掌握用户的用电规律。这有助于售电公司了解电力客户的类型,为不同类型的电力客户提供不同的用电服务,满足用户的智能用电需求。因此,研究一种有效的聚类算法用于分析用户用电行为具有重要现实意义。本文从用户侧的用电数据着手,采用合适的聚类算法对电力用户的用电行为进行分析。为了达到研究的目的,本文做了如下工作。针对在电力负荷数据聚类过程中K-means算法需人工提前设置聚类数目,而聚类数目选取不当容易导致聚类结果陷入局部最优这个问题,本文引入基于GSA肘型判据来进行聚类个数的确定,并通过仿真实验验证了GSA肘型判据的有效性。针对K-means聚类算法容易受到初始聚类中心选取的影响这个问题,本文提出一种基于混沌剑鱼算法的K-means算法。首先对剑鱼算法作出以下两点改进:（1）引入Tent混沌序列,利用Tent混沌序列的遍历性、随机性、规律性的特点来初始化剑鱼和沙丁鱼种群,丰富种群多样性,加强算法的全局搜寻能力。（2）引入高斯变异算子,加强算法局部搜索能力;对于部分陷入局部最优的个体,首先使用这些个体生成Tent混沌序列,然后利用生成的Tent混沌序列来对这些个体进行扰动,帮助算法在跳出局部后继续保持搜索。接着将混沌剑鱼算法引入K-means算法中来搜索最优初始聚类中心,使初始聚类中心更接近实际聚类中心。最后将基于混沌剑鱼算法的K-means算法与原始K-means算法进行仿真对比,算例结果表明改进后的K-means算法在聚类结果上更优。最后使用基于混沌剑鱼算法的K-means算法来对用户进行用电行为分析实验,结果表明所提方法能有效识别不同用电模式的用户。