主动配电网是涵盖了自动控制、智能采集等多种先进技术的智能化配电网。负荷数据是主动配电网运行中极为重要的基础数据,有效的负荷数据分析应用在很大程度上可以提高主动配电网系统的运行管理水平以及优化电力系统运行水平。而主动配电网数据采集过程中会产生异常负荷数据,异常负荷数据的产生会危及主动配电网乃至电力系统的安全稳定运行。在限定的成本与时间范围内实现智能辨识和修正主动配电网中的异常负荷数据变得非常关键。针对该问题,本文首先对异常负荷智能辨识工作前所需的负荷数据预处理进行研究。然后针对FCM聚类算法对随机选定的初始聚类中心敏感以及聚类数目难以确定和FA中的萤火虫之间由于距离过远导致亮度减弱,成为“无效萤火虫个体”的可能性增加等不足,本文提出了一种改进型萤火虫算法（IFA）和模糊C均值聚类算法（FCM）结合的IFA-FCM优化聚类算法。首先利用IFA获得的最优聚类中心作为FCM算法的初始输入量进行FCM聚类获得最优聚类结果,然后从生成的样本负荷划分结果中提取各类特征曲线并进行样本训练,生成每类特征曲线所属的可行域矩阵并进行归一化处理,最后将待测曲线与其所属类别的特征曲线及归一化后的可行域矩阵阈值进行比较,从而构建了异常负荷数据智能辨识的策略模型并采用了基于特征曲线的修正方法来实现异常负荷数据的智能辨识与修正。最后进行本文方法验证仿真实验并与其它算法进行对比分析,实验结果证明了本文方法的正确性。与其它算法的结果对比分析表明本文方法能提升异常负荷的辨识及修正效果,整体性能更加优越。