随着我国智能电网的飞速发展,电力企业与负荷用户之间的交互行为快速增长,现已导致大量用户侧负荷数据堆积。考虑当下紧张的电力系统环境,我国逐步推进电力企业的工作重心转移,从单一需求侧管理向用户侧资源主动参与电力系统供需平衡的过程转移。现阶段电力系统负荷数据具有高密度和多样性的特点,复杂的负荷环境使得对用户侧数据特性挖掘不够充分,深度挖掘用户用电行为是支撑用户侧大数据价值挖掘的基础,为了提高电能的利用率,对不同类型用户负荷的运行价值进行进一步挖掘,具有十分重要的意义。在深度挖掘负荷特性价值过程中,电力负荷用户分类是关键一步,对负荷用户进行精细分类也是智能电网的重点研究课题之一,传统的用户负荷分类早已不适合当下多元市场,因此本文提出一种更适合当下电力市场现状的负荷用户分类方法。首先针对吉林省多元负荷历史运行数据进行数据预处理,去除异常数据的影响,采用“横-纵”异常值处理方法对缺失数据进行平滑处理。接着对预处理后的数据进行第一次聚类分析,优化选取初始聚类中心以及设定最优K值,改进K-means聚类算法以达到更好的聚类效果,将具有相似或者相同的负荷特征用户归为同一类。通过聚类后同一类别的用户日负荷曲线可以看出,同一类别中一些用户的用电行为与该类别的负荷特征存在相差较大的情况。为了给电力企业提供更可靠更精细的用户分类方法,本文提出对负荷用户进行二次聚类,获得更精细的用户分类方法,提取精细划分后不同类型的负荷特征曲线,建立用户负荷分类模型。在建立分类模型之后,对吉林省电网历史负荷数据进行训练和测试,利用常见的分类算法SVM、KNN、决策树等算法进行实验,调整各分类算法中的参数,选取适合吉林省电网负荷数据集的分类器。通过评价指标筛选出SVM作为负荷用户精细分类的分类器,可以实现适用性更高的电力用户负荷分类模型。经实践验证,利用本文提出的吉林省电力负荷用户精细分类模型对用户分类,分类结果有着较高的准确率。依照本文提出的电力负荷用户精细分类模型,电力企业可以对用户进行更加具体的类别划分,预判用户类别,为不同用户提供不同供电需求。总体而言,本文提出利用二次聚类对负荷用户实现精细划分,利用SVM实现用户类别判断的研究具有一定意义,为未来电网的规划和决策等工作提供更科学的依据。