随着电子信息技术及数据处理技术的不断发展，智能电表的功能日益完善。智能电表作为电网信息系统中最基础的数据来源，除了计量功能外，还承担着海量信息存储、状态监测、自动控制等功能。然而由于信息处理技术的限制，目前电力行业数据分析在计算精度、计算时间、信息挖掘全面性等方面仍存在不足，无法满足用电大数据分析要求。在竞争性电力市场引入的同时，通过海量智能电表数据挖掘用户用电信息，精细化用户管理，提供差异化服务已经成为电力行业重要研究方向。针对以上问题，本文主要研究适用于海量负荷数据特性感知的聚类算法，首先，通过稀疏编码和聚类相结合的方式将典型负荷模式转化为若干个子模式的组合，从数据压缩角度节约计算成本。其次，面向海量负荷数据高效分析需求，通过聚类与随机森林结合实现负荷数据分类，在分布式计算平台上运行算法提高计算效率。最后，结合分类结果与关联分析算法分析用电影响因素。主要内容如下：
　　（1）介绍聚类算法在电力领域研究动态，从聚类算法自身改进、与其他算法结合两方面进行阐述；还描述了高性能计算技术的发展进程及现状；重点分析了聚类算法与分布式计算技术相结合的研究现状及难点。
　　（2）面对单个用户一段时期内负荷曲线的波动性和稀疏性等特点，提出一种基于稀疏编码算法的典型负荷模式提取算法，通过稀疏编码将负荷曲线拆分为若干个子曲线组合，再通过DBSCAN算法对子曲线相关系数进行聚类提取典型相关系数。
　　（3）面对海量数据计算速度慢，精度低等缺点，提出一种适用于海量负荷数据的分类算法，搭建Spark分布式计算平台，通过在平台上运行并行化算法，提高海量数据的处理效率。从负荷曲线的形态和幅度两方面出发，通过K-means聚类算法计算样本数据作为训练数据，将训练数据输入至随机森林中提高负荷曲线辨识精度。通过实际算例验证所提方法的有效性及可行性。
　　（4）针对用户用电特性展开研究，结合分类结果，通过FP-Growth关联规则算法进行影响因素分析，挖掘用电行为与各个影响因素之间的关系，全面了解影响用户用电情况的相关信息，从而更好的为电力行业用户管理服务提供信息基础。