电力负荷模式识别作为现代电力系统优化运行的关键技术，对于负荷侧数据分析管理及大电网的安全、可靠、经济运行有着显著的作用。泛在电力物联网建设的不断推进使得电力用户侧记录的数据呈现出多样化态势，对电力大数据使用现有的算法与工具进行提取、存储、处理、共享和分析已经不能满足计算需求。当前智能电网大数据云端存储、处理、分析平台成为了研究热点。本文的研究课题来源于中国电力科学研究院国家电网公司科技项目：基于大数据的大电网稳定态势量化评估与自适应防控关键技术研究。针对该项目中所需的云计算电力负荷侧模式精细化识别算法模块进行研究。
　　本论文首先对负荷模式识别的算法问题展开研究，选用一种基于密度的非监督学习算法-密度峰值聚类(DPC)算法，对电力负荷进行精细化的识别，该算法能够快速的对电力负荷进行聚类分析并且适合并行计算框架。但原算法存在负荷曲线聚类效果过分依赖人为参数设定和无法识别潜在用电模式的缺陷。针对此类不足，本文结合非参数核密度估计使用带宽搜索与边界优化提出一种适应多类型复杂用户的电力负荷数据优化聚类算法，解决了基于密度的模式识别算法应用与电力数据挖掘时的参数设定问题，实现了算法对数据集的自适应。
　　其次本文将非参数优化后的DPC算法引入云平台进行并行计算优化。针对电力负荷数据特性，设计了并行计算框架下的电力负荷模式精细化识别算法，并且在线对该算法进行序列优化，引入分布式和多层构架思想，提升负荷聚类分析算法处理大量、高维数据的有效性。解决了原算法在处理大数据时存在的时间复杂度和距离矩阵空间复杂度过高的问题。
　　最后，采用云计算技术中的MapReduce编程框架和Spark云计算平台，对提出的改进算法进行实验，设计了相应的分区处理函数，在某市配电侧10kV系统真实数据集中进行算法实验，使用Davies-Bouldin有效性指标对比原算法与优化后算法的聚类效果。结果表明优化算法在面向用户类型复杂的电力数据集时，能够实现已知用电模式精确识别与潜在用电模式的深度挖掘并显著提高聚类有效性。
　　本文的研究工作实现了电力大数据云计算平台对电力负荷侧用户模式的精细化识别，对聚类算法性能有明显的提升，算法的分析的结果可用于相似日历史数据的准确匹配，为负荷预测算法提供更加准确的训练样本；为电力系统需求侧响应提供有效的数据支持；为电网经济运行与合理规划提供可靠的决策支持。