中国是一个工业大国,工业用电一直在第二产业用电中占据了非常大的比例。而近年来随着国家经济的飞速发展以及各种工业技术的进步,工业在各种产业中占据了更加重要的地位。与此同时,我国的工业用电也呈现出了逐渐稳定上升的趋势,庞大的工业用电数据中隐藏着许多不同的工业用电模式。由于工业的发展更加多元化,用户的用电模式也呈现出了多元化的发展趋势,不同的业务背景、作业内容、工作时间、排班规律下都有着不同的用电行为。因此,这些用电模式不能仅仅依靠用户的行业进行区分和识别了。而由于缺乏对用户用电行为的先验知识,这样的识别工作可以认为是无监督的,即是一个时间序列的聚类问题。因此,本文基于时间序列的聚类方法,对工业用电数据进行聚类分析,识别用户的用电模式,并分析用户的用电行为特点。本文主要从绪论、电力负荷数据聚类问题、单用户典型日负荷曲线提取以及多用户负荷聚类这四个方面展开。在绪论部分,本文对当前我国的工业用电发展趋势以及工业用电的发展特点进行了较为详细的介绍,说明了工业用电的多元化发展现状以及对工业用电进行模式识别的重要性。随后,本文对当前有关时间序列的聚类文献进行了介绍,分别从聚类方法和聚类算法两个角度进行阐述。其中,聚类方法又分为基于原始序列的聚类、基于特征提取的聚类以及基于模型的聚类,在聚类方法的介绍中,本文不仅对有关电力负荷数据的聚类方法进行分析,还介绍了一些关于其他数据的时间序列方法,以起到更细致的参考作用。而聚类算法方面,本文将聚类算法分为基于层次、基于划分、基于密度、基于模型、基于网格,并主要介绍了各个类别中在时间序列聚类研究中使用较多的典型算法。在问题分析部分,本文针对电力负荷数据进行了数据特点、聚类方法选择等多个方面的分析。首先,本文分析了电力负荷数据的时变性、复杂性、随机性等特点,分析得到对电力负荷数据的模式识别不能通过因素分析这样的方式进行,而应当通过对数据本身的信息提取来进行。同时,本文还分析了近年来电力负荷数据的海量增长以及高维特点,为后续的方法选择做铺垫。另外,本文将工业用电数据和家庭用电数据进行对比分析,说明了工业用电的用电模式往往较为统一等特点。随后,本文针对工业用电负荷数据的特点,进行了电力负荷数据在聚类时分在的问题的分析,主要从聚类方法的选择、相似性度量以及聚类算法选择三个方面进行,指出电力负荷数据的海量、高维等特点都可能导致聚类效果的不理想。最后,本文结合数据特点以及当前的研究发展,提出先单用户后多用户的两阶段聚类方法,尝试使用Michael Vogt等人在2017年提出的统计检验方法来检验聚类数目。在负荷曲线聚类部分,本文首先对用户的负荷数据进行异常值检查等预处理,并就单用户的典型日负荷曲线进行提取,对每一个用户的聚类曲线进行以日为单位的划分,并针对工业用电模式较为统一的特点,采用了能够体现负荷曲线全局特征的趋势特征作为聚类对象。此外,本文详细介绍了所使用的统计检验方法,包括该方法的基本理论、模型假设以及统计量构造等。随后,本文采用上述方法提取了每个用户的典型日负荷曲线,并对部分较有特点的曲线进行了简要的分析。在多用户的聚类阶段,本文对各个用户的典型负荷曲线进行了特征提取,包括负荷率、偏度、混沌等8个特征,并分别采用了传统的遍历搜索法以及统计检验法进行聚类、确定聚类数目,通过聚类时间、聚类评价指标以及聚类结果这三个方面比较两种方法的优劣,发现统计检验法在三个方面均优于传统的遍历搜索法。最后,本文就统计检验法得到的聚类结果进行了工业用电负荷模式的识别与分析,对部分较为典型的工业用电模式进行详细的介绍,包括用户的用电时间、负荷曲线全局和局部的特征以及用电行为的推测等,完成工业用户的模式识别。