随着智能电表在低压台区的推广应用,用电信息采集系统采集的用户电气数据大大增加,类型更加丰富的电气计量数据为基于人工智能技术的电力数据处理和挖掘提供了数据支撑。当前,电力数据驱动技术已被广泛应用于用户侧窃电检测领域,以减少配电过程中的非技术性电能损失,并保障配电系统的运行安全。然而,随着低压台区线路改造升级,台区户变关系及用户的相位信息变动频繁,易于出现户变关系错误的问题,给台区线损计算带来较大误差,影响了窃电定位的精准性;当前基于数据驱动的窃电检测模型多为黑箱模型,实际应用的解释性和可操作性较差;当前窃电检测研究多关注于提高窃电检测的精准度,对于窃电用户的潜在窃电量预测研究较少,无法指导生成合理的窃电用户排查顺序,导致窃电排查的经济效益难以保证。考虑以上问题,本文基于智能电表和高级量测系统采集的海量用电数据,开展用户侧窃电检测方法研究,主要分为户变关系异常识别、窃电检测规则生成以及窃电检测效益最优策略三个方面。（1）针对用户户变关系及相位信息错误造成的窃电定位失准问题,提出了一种基于电压特征提取和改进聚类算法的户变关系异常识别方法。首先采用自适应分段聚合近似（adaptive piecewise aggregate approximation,APAA）方法提取电压曲线特征;然后采用改进DBSCAN（density-based spatial clustering of application with noise）算法识别户变关系错误的用户,以及对户变关系正常的用户进行相位识别,该改进方法通过自适应确定DBSCAN算法的参数和检验聚类结果中异常用户的相关性,提高了算法聚类结果的准确度;最后,通过浙江省实际台区的算例分析验证了所提方法的准确性。（2）为了提高窃电检测模型在实际应用中的解释性和可操作性,提出了一种基于决策树构建和集成策略的窃电检测规则生成方法。首先,以采集的多类型电气计量数据为输入,定义了表征用电异常的电气特征指标;接着,提出一种基于剪枝策略的最优决策树构建方法,以生成可指导窃电用户检测的规则集;然后,为解决窃电检测中窃电用户数远小于正常用户所造成的训练效果差的问题,提出一种决策树集成及规则融合方法,并构建可用于实地排查的离线训练与在线更新结合的窃电检测框架;最后,以浙江省某市的专变工业用户为例进行算例分析,结果表明所提方法在不同的不平衡情景下,均能生成满足准确度和精准度要求的窃电检测规则,而非传统的“黑箱”模型,规则的实际可操作性优于已有的窃电检测模型。（3）在窃电用户识别的基础上,为了进一步确定窃电嫌疑用户的排查顺序,实现经济效益最大化,提出了基于卷积自编码器（convolutional autoencoder,CAE）和改进回归算法的两阶段窃电检测方法。首先,以采集的用户电量数据为输入,建立卷积自编码器异常检测模型,辨识出重构误差较大的用电异常用户作为窃电嫌疑用户;接着,从窃电前后的电量计量数据中提取统计指标作为算法输入,训练Tr-XGBoost回归算法,预测各用户的潜在窃电量,以经济效益最优为目标,确定窃电用户的实际排查顺序;最后,测试数据和实际算例结果均表明,相较已有算法,所提方法对窃电用户的辨识准确度及其潜在窃电量的预测精度更高,从而实现更高的窃电检测经济效益。