科学、准确的用电负荷分类对电力系统的规划和经济运行都具有重要意义。然而，随着智能电网的发展，在主动配电网大趋势下，未来越来越多的分布式电源并网使得我国电力用户用电负荷日益复杂，且用户类型多样化。在当今配用电大数据时代，现有的负荷分类方法已不能满足电力系统应用的需求，因此，需要对负荷分类方法进行研究，以期找到一种适宜当前负荷分类需求的新方法，为用电稽查、负荷预测、负荷分布规划和需求侧管理等应用提供有益的备选方案。　　区别于传统用户用电负荷分类方法，提出一种以K-means聚类算法为基础的双层聚类分析方法。该方法结合给出的内、外层变随机设置为有目的选取初始聚类中心的选取规则，解决了聚类算法受初始聚类中心随机选取的影响，其收敛容易陷入局部最小化的问题。结合电力负荷数据海量、多维等特点，提出简单距离函数并结合肘形判据作为聚类有效性函数自动确定最优聚类个数。利用余弦相似度形态相似作为外层聚类的判据、欧式距离相近作为内层聚类的判据，对不需要经过归一化处理的用户用电负荷向量进行分类。最后对广东某市电网2878个用户日负荷曲线进行算例分析，结果表明：双层聚类组合方法能把不同负荷水平、不同负荷形态的用户准确分类出来，能够有效克服传统方法只与用户用电负荷形态有关的不足，合理反映用户用电负荷特性的差异，实现了地区用户差异化用电负荷的自动分类识别功能，证明了上述方法的有效性和优越性。　　针对电力负荷曲线的特征，研究多种数据集降维算法，在降维后的数据集上进行双层聚类，比较各种降维算法的信息损失和计算效率。为了对比都应用了降维技术的双层聚类算法和 K-means算法的信息损失，用广东某市电网2878个用户实际电力负荷分别对应用降维技术的两种算法进行算例仿真，并比较了他们的信息损失程度。研究结果表明，对于大规模电力负荷曲线分类的问题，双层聚类在降维技术上的应用效果也优于K-means算法；结合主成分分析降维的双层聚类算法可以取得最佳效果。