随着智能电网建设不断完善，电力系统中逐渐积累了大量电力数据。本文以配电变压器的负荷数据为研究对象，利用数据挖掘等相关技术研究配电变压器负荷曲线变化规律，归纳配电变压器日负荷模式，分析配电变压器之间用电行为的相似性，该研究有助于开展需求响应、负荷预测、电价设计等电力大数据研究。同时为掌握配电变压器负荷曲线未来的变化趋势，利用深度学习等相关技术研究配电变压器短期负荷预测方法，准确的负荷预测为实现智能电网、高效能源管理提供重要的支撑。本文的主要工作内容如下：
　　首先，本文提出基于奇异值分解的自适应负荷曲线聚类方法，并结合个体到整体的分析方式，实现了大规模配电变压器日负荷曲线聚类，归纳了配电变压器的日负荷模式。为了进一步分析负荷曲线变化规律，本文提出基于相似用电行为的配电变压器分类方法。该方法将具有相似日负荷模式与相似日负荷模式变化规律的配电变压器分为一类。使用所提方法得到的分类结论，为配电变压器短期负荷集群预测中集群划分提供支持。
　　其次，为减少由于数据分布、预测模型的网络结构对短期负荷预测精度的影响，本文提出一种包含基于Loess的季节趋势分解(Seasonal-Trend decomposition procedure based on Loess，STL)、长短期记忆神经网络(Long Short-Term Memory neural networks，LSTMs)、XGBoost回归的混合预测模型。经过多组对比实验，验证了加入序列分解与集成学习有助于提升短期负荷预测模型的性能。由于配电变压器数量较多，为避免对每台配电变压器单独训练预测模型，本文提出基于相似用电行为的配电变压器短期负荷集群预测方法。通过实验对比，所提方法能够在保证预测精度的同时，实现多台配电变压器的集群预测。