随着传感器在现代智能电网的广泛应用和计算机存储技术的发展,电网信息化水平不断提高,电力部门的各个信息系统积累了大量数据。电力用户的负荷数据是电力大数据的重要组成部分,也是用户用电行为的真实反映,它是制定配用电领域政策的决策支持。如何以数据驱动的方式对电力用户进行有效准确的负荷特性分析,从而获得有助于提高运行可靠性与经济社会效益的有效信息,是电力相关部门关注的热点问题之一。本文针对电力大数据中用户负荷信息的非线性、非平稳态的全局-局部动态特征,提出基于数据驱动的用户负荷特征分析建模方法。主要取得以下研究结果:（1）针对电力大数据中存在非线性、局部动态特征,以及单条的日负荷曲线无法完整反映用户的用电动态行为的问题,结合K-means聚类算法、时序扩展的邻域保持嵌入算法（Temporal extension of neighborhood preserving embedding,TNPE）和贝叶斯（Bayes）分类算法,提出了用电行业层次分类模型（H-TNPE-Bayes）。通过真实负荷数据集进行实验验证,结果表明所提分类模型可以有效地识别负荷数据中的局部动态特征,并通过较少的训练样本获得较高的分类精度。（2）针对电力大数据中存在非平稳、局部动态特征,以及现有的密度峰值聚类算法无法解决用电行为中存在的全局-局部的多粒度特征的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）和密度峰值快速搜索（Density peaks clustering,DPC）的负荷曲线多粒度聚类模型（MG-DPC）。使用真实负荷数据集对模型进行了有效性验证,并与不同聚类算法对原始负荷数据直接聚类进行对比,实验结果表明该模型可以实现不同时间颗粒度的有效聚类。（3）针对电力大数据中存在非平稳、自相关特征,以及预测精度不仅与模型结构有关,还与输入数据的时序特征有关的问题。通过结合相空间重构算法、变分模态分解（VMD）算法和极限学习机（Extreme learning machine,ELM）算法,提出一种基于极限学习机的负荷多粒度预测模型（MG-ELM）。案例结果表明,负荷的预测精度受输入数据时间窗大小的影响,并且不同模态分量的最佳时间窗的大小不同。通过混沌相空间重构的方法可以有效的估计最佳时间窗大小,从而提升负荷模型的预测精度。