为实现“双碳”目标,我国正加速新型电力系统的建设,致使发电侧新能源发电量不断升高,用电侧用电模式不断变化,供需两侧的信息交流不断深入。基于负荷大数据对用户用电行为模式的分析及辨识研究是精准控制实时负荷、合理引导有序用电和能效管理的基础,对电力供需平衡具有重大意义。因此,如何从数据角度进行有效的电力用户行为模式提取并精准识别是目前亟需解决的问题,本文针对工业电力用户展开研究。为了深入分析工业用户用电行为,首先,考虑用户生产方式是否受日历效应的影响,引入随机波动鲁棒性较高的动态时间规整距离（dynamic time warping,DTW）相似度作为评价指数,对负荷周期性进行分类。然后,基于广义极值（generalized extreme value,GEV）分布改进K-means算法,对具有周期性的负荷进行聚类分析,根据负荷数据样本的全局信息选取聚类中心,降低边界点、离群点的影响,提高聚类精度并验证其有效性。最后,基于长期的负荷时间序列对无明显周期性的负荷进行拟合建模,采用变分模态分解（variational mode decomposition,VMD）结合门控循环单元（gated recurrent unit,GRU）神经网络的方法,在平滑数据、去除冗余噪声的同时保留完整的负荷特征信息,提高负荷建模精度。对于没有历史负荷数据的新建企业难以分析其用电行为模式,需借鉴负荷历史信息展开研究。本文以负荷聚类的结果为类别标签,采用判别字典的稀疏表示分类（sparse representation classification,SRC）算法同时训练字典和分类器模型,以重构系数绝对值最大为分类准则,实现有效的负荷类型辨识以便采取相应的调控措施。