长期以来,电网的窃电现象屡禁不止,不仅给电网公司带来巨大经济损失,而且还对用户设备及人身安全带来极大的隐患,实现电力用户用电异常检测,准确的稽查窃电用户成为当前亟待解决的问题。随着智能电网先进计量基础设施的不断发展和智能电表的普及,电网公司可以从电网收集到更加全面准确的数据,从而可以利用人工智能技术来增强电网智能分析与决策水平。本文进行了基于深度学习的智能电网电力用户异常用电检测方法研究和系统实现,主要工作内容如下:1.针对异常用电检测中正常用户和异常用户数据不平衡问题,本文提出了基于Time GAN的数据增强技术来平衡数据集。在深度学习模型中,如果正常用户和异常用户数据量相差巨大,对于异常用户的特征的学习效果较差,而且现有的数据生成方法不能很好的学习到原始数据的分布和时间序列特征,而本文提出的基于Time GAN的数据增强技术来生成用户窃电数据,不仅能够捕捉到时间序列在每个时间点内的分布,它还捕捉到用电数据跨时间的潜在复杂动态特征。实验证明采用基于Time GAN生成的数据输入到异常用电检测模型中可以有效提高精确率和降低误检率,而且本文使用了PCA和t-SNE技术对比其他数据平衡方法,定性评估了生成数据的拟合程度。2.针对现有检测方法精确率低误检率高问题,本文提出了基于混合多时间尺度神经网络的异常用电检测模型。现有的窃电检测模型大多采用浅层的机器学习技术,没有充分利用用电序列的时序型特征,忽略了正常用户和异常用户时间序列相关性的差异。本文在对正常用户和异常用户的用电数据进行统计分析和相关性分析的基础上,特别构建了基于混合多时间尺度神经网络的异常用电检测模型,该模型以日、周、月三个时间尺度,分别用Bi-LSTM,Res Net,Alex Net来提取用电数据的全局特征和深层周期性特征,采用Ada Boost分类器实现用户分类,实现高精确率和低误检率。针对上述提出的方法,使用中国国家电网提供的真实的用电量数据进行训练和测试,进行了各种平衡数据方法比较实验,与其他模型比较实验和模型的消融实验,进而验证本文方法的有效性。3.针对电网稽查工作人员如何精准确定具体窃电用户存在的问题,本文设计与实现了异常用电检测系统。为了弥补电网工作人员相关知识匮乏和技术鸿沟,本课题在基于混合多时间尺度神经网络的异常用电检测模型的基础上搭建了异常用电检测系统,电网稽查工作人员可以应用该系统定期检查各个地区的用户,筛选窃电嫌疑用户,进而有针对性的精准快速打击窃电用户。