用户异常用电行为不仅造成电力公司巨大的经济损失,还危害到了电网的安全运行,所以一直以来是电力稽查的重点。传统的异常用电检测方法过于依赖人力排查,效率低下,而后发展的基于计量系统的异常检测方法则误报太多,实用性不足,需要发展新的技术。随着用电信息数据越来越多地汇集到中心站,使得利用数据挖掘来辨识异常用电行为成为可能。本文在研究用户行为和异常辨识方法的基础上,构建了配用电信息数据下的用户异常用电行为辨识模型,实现了较高效率的异常用电行为辨识。用户的用电行为可以使用负荷数据来描述,异常用电行为则表现为异常的用电负荷数据。引起异常用电数据的原因有技术性和非技术性两种,以非技术性原因为主。常见的异常用电行为由有欠压法窃电、欠流法窃电、移相法窃电等,这些各种形式的窃电行为是检测的首要目标。异常行为的辨识算法有基于密度估计的方法,基于重构的方法和基于支持域的方法等,其中基于支持域方法中的SVDD(Support Vector Data Description)算法以其灵活的数据描述能力和出色的推广能力成为异常检测领域的主流技术。因此本文将SVDD模型应用在异常用电行为检测中。SVDD算法基本思想是通过学习构建一个超球体,并且要求该超球体尽可能多地包围正常类样本。超球构建完成后,便可以通过检测新的样本是在超球内部还是外部,来判定其是否异常。然而,经典的SVDD模型在异常用电辨识的应用中,由于用户用电数据具有内部分类的特性,导致其构建的超球紧度特性不佳,影响了检测精度。针对该问题,本文构建了改进的SVDD异常用电行为辨识模型。改进模型通过首先对用户数据进行预分类然后再使用SVDD模型检测的方法,很好地解决了因为用电数据分布特性带给SVDD算法的不良影响。使用的预分类算法为自适应FCM算法,该算法避免了主观设定分类数引起的分类误差,从而得到了最优的分类。在实例中,结合了自适应FCM算法的改进SVDD模型,跟原有SVDD模型相比明显增加了超球的紧度,表现出了更加优良的检测性能。通过改进的SVDD异常辨识模型,可以令供电企业更有效率地识别异常用电客户,打击窃电等异常用电行为,保护电力基础设施和企业利益。