随着电网的快速普及,居民在享受用电便利的同时,供电企业线路损失率居高不下,导致了企业供电成本的提升。而用户的异常用电行为往往就是供电企业线路损失率居高不下的主要原因,严重影响企业的正常运营秩序。在电网信息化程度不断提高的今天,正确的利用信息化电网所提供的海量数据,从大量的用电信息中挖掘有价值的信息用于解决异常用电行为的检测成为了一个热门的研究领域。本文提出了一种基于时间维度和主成分分析法的异常用电检测模型。模型包括数据预处理、基于时间维度的特征构造、主成分分析、xgboost、GBDT、随机森林模型融合这几个部分。然后根据融合的算法模型对异常用电识别系统进行设计与实现。对比传统的机器学习方法模型,本项目着重于通过原始用电负荷数据构造不同时间维度的特征来表征用户用电行为。之后再采用主成分分析法对高维度的特征进行降维,使得最后用于训练的特征都具有不同方面的代表性。在模型的选择方面也不再使用传统的单一模型进行训练,取而代之的是一个融合模型。在模型算法的验证阶段,本文通过使用中国电网提供的真实用电负荷数据做测试,综合三个单一模型的评估结果,及对比本文所采用的融合模型的结果发现,经过融合后的模型检测异常用电用户的能力明显高于三个单一的模型。而且无论是对于异常用电用户还是正常用户的检测其准确度都是较高的,本课题采用模型融合的方法有效的提高了异常用电用户的检测能力。在算法研究的同时,本文还设计实现了用户异常用电检测系统,系统实现了数据预处理、特征构造、模型训练、模型检测结果展示、用户管理等功能,能较好的识别异常用电用户并展示用电行为特征。