窃电行为在智能电网中时有发生,非法用户通过窃电达到减少电费支出的目的。窃电行为不仅扰乱居民的用电秩序,给供电企业造成经济损失,而且还可能会造成火灾或者触电等安全事故的发生,给附近居民的生命财产安全带来威胁。因此,进行窃电检测很有必要性。随着智能电表的广泛应用,用户能够将实时用电数据上传到数据中心,这给基于数据分析的窃电检测方法提供了有利条件。数据中心可以将用户的用电数据发布给检测器进行数据分析,从而识别具有窃电嫌疑的用户。近些年来,学者们在窃电检测领域做了大量研究工作。目前窃电检测领域主要有两大类型的解决方案:分别是基于硬件的解决方案和数据驱动的解决方案。基于硬件的解决方案专注于设计特定的计量设备和基础设施,以便容易发现窃电行为。典型的窃电检测设备包括带防热传感器的智能电表、射频识别标签等。但是部署这样的仪器花销很高,同时仪器容易受到天气因素的影响而降低精度,以及仪器的日常维护也很困难,以上因素就使得基于硬件的窃电检测方案受到了限制。基于数据驱动的方案则以机器学习为主,通过机器学习,能够迅速锁定具有窃电嫌疑的用户,从而节省大量人工排查的人力。然而,现有的基于机器学习的窃电检测方案都是将边缘节点和数据中心以及检测器当作是可信的,用户通过边缘节点将原始数据发布给数据中心,数据中心直接将未经处理的原始用电数据发布给检测器进行检测,这样会暴露用户隐私。检测器有时候会因为利益问题将用户用电数据出卖给不法机构或个人。不法机构或个人可以通过这些用电数据分析出用户的日常生活习惯,甚至推测出用户哪一天在家或者不在家,从而引发入室盗窃等犯罪事件的发生。因此,在完成窃电检测的同时,如何保护用户的数据隐私是一个值得研究的问题。本文从窃电检测中的隐私问题角度出发,分别提出了三种保护了用户数据隐私的窃电检测方案,具体研究如下:（1）基于n-源匿名的窃电检测。本方案使用n-源匿名数据采集协议来采集用电数据,保证了用电数据的原始性,使得用电数据能够正常用于窃电检测。同时,切断了用户与数据的对应关系,保证了窃电检测的隐私性。此外,方案还针对系统的容错性问题提出了解决方案,使得有用户设备掉线的情况下,检测系统仍然能够正常运作协议,还保障了掉线用户网络恢复正常后能够重新加入协议中来。（2）基于数据聚合的窃电检测。传统的窃电检测都是不做任何数据处理,直接将单个用户的原始用电数据发布给检测器检测,本文提出方案中,检测器获取的是用户群组很多天数的每一天的聚合值,对聚合值进行检测,从而识别群组里面可能存在的窃电用户个数。由于检测器获取的是聚合值,无法获得单个用户的用电数据,从而保护了用户的隐私。本方案与检测单个用户数值的方案相比,检测准确率有所略微下降,以可接受范围内的检测准确率损失为代价,实现了窃电检测的隐私性,达到了数据隐私性和可用性的平衡。（3）使用添加噪声的方法保护用户隐私。传统的窃电检测方案都是未经任何数据处理,直接将用户原始数据发布给检测器进行检测,这样暴露了用户隐私。本文提出方案中,在数据还在用户端的时候,给数据加上噪声,之后发布给检测器检测,检测器无法获得用户的原始数据,从而保护了用户隐私。但是噪声加大了,会影响检测准确率,噪声加小了,则无法起到很好的保护隐私的作用,如何选取一个合理的噪声是该研究的关键点。