能源互联网下分布式能源、分布式储能设备、双向互动用户等大量柔性负载的自适应接入,使得配用电网的源-荷两端随机性增强,配用电网的结构、潮流方向发生了显著变化,电力负荷特性也随之产生了巨大改变,峰谷期用电负荷差距的日益增大以及高峰期供需矛盾的不断尖锐,对电力系统的安全性和稳定性造成了极大的威胁。随着能源互联网和智能电网的发展,存在大量电力系统数据,但数据资源未得到有效的开发利用。同时,智能用电服务的逐步开展也为实现用户的广泛参与和需求的自主响应提供了基础。针对以上问题,本论文开展了能源互联网下需求侧用户状态智能分析方法的研究。首先对用电状态智能分析相关技术进行研究,包括用户状态智能分析的一般步骤、前期数据处理技术和特征提取技术;其次,提出聚类优选策略用于实现对传统的无监督学习聚类算法的改进,引入准确性指标和有效性指标用来合理的度量聚类的合理性;再次,针对无监督学习无法根据实际需求有目的进行分类的问题,提出有监督的基于极限学习机的用户用电状态分析,通过比较不同隐层的激活函数和隐层的节点数的训练集和测试集的正确率,优化ELM网络结构。最后,由于上述分类算法多是基于小规模数据的研究,在对海量的用户数据处理方面仍存在不足,因此提出DBN-ELM的混合模型,通过深度学习有效地提取抽象高级特征实现对用户状态的智能分析。具有一定的工程应用及参考价值,对实现终端用能需求的大数据深入挖掘,加强客户用能特点分析,细分不同用电用户群体,以服务客户为基础,满足不同客户更加深层次的不同的的综合用能需求,优化用户用电方式,科学合理的提出用户用电优化建议,对电力资源的优化配置有重要作用。