随着电网规模扩大,异常用电频发造成的电力损失给电力公司带来巨大的经济损失,影响了电力公司的正常运营。由电力用户的窃电、欺诈等用户异常用电行为造成一系列无法用技术解释的损失称为非技术性损失(Non-Technical Loss,NTL)。NTL可能导致电力激增,电力系统负荷过重,电力公司巨额收入损失以及公共安全问题。传统NTL检测方法包括人工检查有问题的仪表及其配置,将异常仪表读数与正常仪表读数进行比较,检查旁路输电线路等。然而,这些方法消耗大量人力、财力。随着智能电表的普及,用电数据可以被有效的采集和储存,使得利用智能算法对数据进行特征挖掘和辨识异常用电可能,但传统的深度神经网络异常用电辨识模型不仅存在网络退化、梯度弥散或梯度爆炸等问题,同时没有考虑到正常用电数据的周期性和异常用电数据的畸变性,导致异常用电辨识的有效性不高。针对以上问题,本文开展了基于智能算法的用电异常行为辨识的研究。首先,结合国内外用电行为研究现状提出本文用电行为辨识研究的基本框架,并对框架中涉及的智能算法进行阐述;其次,提出一种基于门控循环单元(GRU)与极限学习机(ELM)的异常用电行为辨识方法,通过深度门控循环单元网络的门机制,在避免了梯度爆炸或梯度消失问题的同时完成对数据特征的提取,并利用极限学习机对特征数据进行分类从而完成异常用电的辨识,同时引入混淆矩阵模型合理的度量方法的有效性;最后,由于上述方法未考虑用户用电数据的周期性和网络退化的问题,模型的有效性仍需提高,所以结合深层残差网络(DRN)与支持向量机(SVM)智能算法,提出基于周期性数据的用异常用电辨识方法。上述工作的开展提高了异常用电数据分类、用户异常行为辨识的可靠性与有效性,能够通过挖掘用电数据的间深层隐含关系特征,为相关政策及服务的制定提供有力的信息支撑,对降低NTL有着重要意义。