电力系统的非技术性损失是指用户消费了而电力公司却未收到电费的这部分电能,其中除了少部分由电表自身故障产生,大部分是由电力用户的窃电行为导致的。非技术性损失的存在对电力系统的经济性和可靠性均有不利影响,因此电力用户的异常情况筛查工作十分必要。随着电力大数据技术的发展,电力公司除了能获得用户的最终的用电费用,还能收集大量的细时间粒度的用户用电的过程数据,这些数据为基于数据驱动的异常用电检测算法提供了数据来源。相比于传统的上门稽查方式,由异常检测算法锁定异常用户的方法更为高效,具有实际的研究价值。本文首先介绍了电力用户异常检测的研究背景。将所有数据驱动的检测方法归纳为有监督、无监督和半监督3类并介绍了各方法的优缺点,并确定本文的异常检测模型以无监督的聚类算法为基础;分别阐述了一个基于聚类的电力负荷异常检测模型的数据预处理、特征工程、聚类算法以及模型评估等环节的工作内容。其次,提出一种基于主成分分析（principal component analysis,PCA）和密度峰值（density peaks,DPeaks）聚类的PCA-DPeaks异常检测模型。该模型遵循“数据预处理-特征构造-维度规约-聚类-异常检测”的流程。首先对原始数据集进行数据预处理,得到所有电力用户的日、月用电量数据集;然后结合电力负荷曲线的物理意义,设置并选取了15个特征量组成特征集,再对特征集用PCA方法进行降维处理得到一个新特征集,从而将信息密度较低的高维日、月用电量数据集浓缩为一个信息密度较高的低维新特征集,以提高模型的计算效率并实现检测结果的可视化;最后,将得到的新特征集输入异常检测模型,输出被模型预测为异常的用户,并使用模型评估指标评价模型的检测效果。基于爱尔兰智能电表数据的实例,得到PCA-DPeaks模型有效但检测效果较差的结论。最后,针对PCA-DPeaks模型检测效果差以及这类无监督模型参数选取普遍困难的问题,提出了考虑用户位置信息的LDA-DPeaks双判据模型。首先,模型仍基于DPeaks聚类算法,因此可以先将所有电力用户分类后再逐类别检测,适用于用户类型较多、数据量较大的场景;其次,模型在降维过程中使用线性判别分析（linear discriminant analysis,LDA）将用户的台区号、小区号等位置信息浓缩到新特征集中,提升了模型的检出率和精确度;最后,模型的异常值判定标准设置了双判据,增加异常值判定的严格程度以增大单个判据异常阈值参数的合理值范围,从而降低模型参数的选取难度,并减少模型对参数摄动的敏感程度。基于爱尔兰智能电表数据的实例验证得到结论:用户位置信息的引入可以提高模型的准确度;双判据的设置可以降低模型参数的选取难度。