电力负荷预测在电网管理中发挥着越来越重要的作用。尤其随着海量居民用户级负荷序列得以采集存储，精确的负荷预测将有助于进一步优化机组调度计划，降低启停成本。目前，较多研究将用户聚类分析作为区域负荷预测的预处理步骤以提高负荷预测精度。但其主要聚焦于单值负荷预测，而未考虑区间负荷预测和概率负荷预测。区间负荷预测和概率负荷预测可提供更为全面的预测值分布，对调度决策具有重要意义和价值。本文将基于聚类分析的区域单值负荷预测框架扩展至区间负荷预测和概率负荷预测，探究不同聚类方法、聚类相似性度量方式以及聚类个数对区间负荷预测和概率负荷预测的影响，同时分析社会类型分组的意义。此外，本文还将多序列建模方法DeepAR结合聚类标签应用于区域居民概率负荷预测。本文主要研究内容和创新成果如下：
　　首先，针对区间负荷预测，本文将区间聚类分析应用于居民用户区间负荷序列分组，同时深入探究区间聚类算法相关技术细节对聚类结果的影响；针对概率负荷预测，本文将单值聚类分析应用于居民用户负荷序列分组，重点比较了聚类算法相关技术细节，并且创新性地分析了居民用户社会类型分组与负荷曲线分组的异同，从而了解用户电力消费习惯与社会类型的相关性。实验结果表明，k-means聚类框架相较于其他方法，分组后的曲线特征更显著，对曲线间的细微差别更敏感。此外，区间负荷序列聚类与单值负荷序列聚类的比较实验验证了区间化处理可产生新的特征，从而改变聚类分组。
　　其次，依据区间聚类分析的分组结果，本文提出基于区间聚类分析的区域居民区间负荷预测框架，并以爱尔兰和伦敦的智能电表数据集为实验数据，比较不同区间负荷预测方法和聚类技术细节对框架有效性的影响。
　　最后，依据单值聚类分析的分组结果，本文提出基于单值聚类分析的区域居民概率负荷预测框架，并使用爱尔兰和伦敦的智能电表数据集比较不同概率负荷预测方法和聚类技术细节对框架有效性的影响，尤其验证社会类型分组对提高区域居民负荷预测精度的价值。此外，本文将聚类标签与DeepAR相结合，构建基于聚类分析的多序列负荷预测模型，使得负荷预测可基于完整序列数据而无需将相同聚类的居民负荷序列求和汇总，从而学习相同聚类中不同用户间的负荷相关性。