随着通信网络、传感器技术、智能计算等技术的发展，智能电网也得到了飞速的发展。在智能电网的大环境下，功能越来越强大的智能终端也得到了广泛的使用，用户的用电行为也变得复杂化，为了保证电能的供需正常，节省能源消耗，对用户的用电行为进行分析和预测将是坚强智能电网建设的关键步骤之一。用户用电行为分析与预测系统是电力生产调度精细化的重要工具，其研究和建设对节省能源，提升智能电网的智能化具有重大意义。　　本文首先分析电力用户大数据的来源，针对电力用户侧大数据的数据量大、种类繁多与速度快等特点，指出电力用户侧的大数据在数据存储、可用性、处理等方面面临的挑战。结合云计算技术提出一种电力用户侧大数据分析处理平台，将智能电表、SCADA系统和各种传感器中采集的数据整合，并利用并行化计算模型MapReduce与内存并行化计算框架Spark对电力用户侧的大数据进行分析。提出基于随机森林算法的并行负荷预测方法，将随机森林算法进行并行化，对历史负荷、温度、风速等数据进行并行化分析，缩短负荷预测时间和提高随机森林算法对大数据的处理能力。采用不同大小的数据集对并行化随机森林算法进行负荷预测实验，实验结果表明并行化随机森林算法的预测精度明显高于决策树的预测精度，且在不同数据集上预测精度普遍高于决策树的预测精度，能够较好的对大数据进行分析处理。　　其次针对用户数据迅猛增长，传统的数据处理对海量数据表现出不足，引入并行内存计算，利用大数据智能处理技术对海量的电力用户进行聚类分析。将 Canopy算法与K-means算法相结合，弥补了K-means算法的不足，并利用并行内存计算框架Spark进行算法实现，使传统的K-means算法能够更好的对海量数据进行聚类分析。利用内存计算改进的K-means算法对电力用户的智能用电数据进行聚类实验，实验结果表明对电力用户进行分类的准确率达到90.7％。并将其算法与传统的 K-means算法和基于MapReduce并行计算框架的K-means算法进行对比实验，实验结果表明基于内存计算改进的K-means算法在时间和速度上优于其它两种算法，数据的增长对算法的影响不大。　　最后设计并实现大数据环境下用电行为分析原型系统，包括数据集群的管理、数据管理、预测分类算法库等功能。