用户用电行为分析对于用户行为规划和资源协同优化至关重要,现有的用户行为分析方法存在主观性强且物理模型难以应对复杂电网环境下用户行为的随机性和不确定性的缺陷。同时,配电网负荷数据采集过程可能出现坏负荷数据,存在的坏数据会影响对用户行为的精准分析。智能电网中存在的窃电用户,每年会导致巨大的经济损失,阻碍了配电网的正常运行和电力系统的安全。为了解决以上问题,本文提出基于负荷数据预处理的用户用电行为分析方法,在真实负荷数据集上的仿真实验结果表明,与现有算法相比,本文所提出的算法具有优越的性能。本文主要研究工作包括三个方面。（1）为了精准识别和修正负荷采集过程出现的坏数据,以提高用户用电行为分析的可靠性,本文首先分析了不同用户的用电特点,并介绍了坏数据产生的原因和类型,提出基于组合统计模型和曲线相似度的坏数据识别修正方法。首先通过设定正常负荷阈值和负荷变化率判断准则来识别坏数据,在此基础上采用灰色关联系数作为相似度值,通过基于曲线相似度的坏数据修正方法替换坏数据,提高了数据集的可用性。在两个真实用电数据集上的仿真实验结果表明,与现有算法相比,本文提出的坏数据识别修正方法能够准确识别更多类型的坏数据,模型得到的修正数据更接近真实数据。（2）为了更好地分析复杂电网下的用户行为,本文首先提出了一种基于堆栈自编码器和无监督学习的自适应用户行为特征选择算法,选择典型的用户行为特征,降低用户行为数据的复杂性。然后建立基于自适应特征选择和改进聚类的用户行为分析模型,利用改进的K-Means聚类算法实现用户行为数据的无监督学习。在两个真实用电数据集和一个公开的电动汽车充电数据集上的实验结果表明本文提出的算法具有更高的特征选择率和具有更好的无监督分类性能,算法分析结论为以后的用户规划和市场营销提供了理论依据。（3）为了提高智能电网中异常用电用户的检测率,保证电网运行的安全性,本文提出基于HRF-WSVDD的异常用电模式检测算法。首先利用随机森林算法对用户日负荷数据与统计特征进行降维,提取出最能代表用户用电行为的特征;然后构建异常用电模式检测模型,利用特征的特征重要性值作为权重,构建特征加权的支持向量描述分类器,实现异常用电用户的有效识别。在EUNITE数据集上的仿真实验结果表明,与现有算法相比,本文提出的异常用电模式检测算法具备更优秀的特征表征能力和更高的异常用电用户检测率,能够保证电网运行的安全性。