近年来社会用电量一直在快速提升,与此同时窃电相关的案件数也在逐年上升。窃电行为不仅给国家以及供电企业带来了巨大经济损失,同时还会影响到社会的供电安全以及供电秩序。随着电力企业在智能电网建设上的投入,窃电用户的检测方式也开始从传统的由供电企业技术人员到现场逐个排查升级为对海量的用电数据进行数据挖掘从而实现对窃电用户的智能检测。本文基于用户在2014年至2016年的每日用电量以及电表示数数据,在以特征工程为主要研究内容的框架下,提出了一套有效的窃电用户检测方法。在特征中工程中,首先对数据集进行了科学的清洗,利用回归法填补了部分缺失值。同时剔除了重复记录以及处在开头和结尾部分的缺失值,从而保证了每位用户在每天最多只有一条记录。然后对数据进行了详细的分析,分别找出典型的窃电用户和非窃电用户在用电量折线图上的不同特点,发现用电量的周期性以及较低用电量的维持时间长度是两种比较明显的可以体现窃电用户以及非窃电用户差别的特征。在特征提取的过程中,根据对数据的分析以及相关论文的学习,提取了六类特征,其中有简单累加特征,有描述统计特征,也有描述相邻数值变化率以及相关性的特征,以尽可能的从周期性上挖掘数据的价值。在特征的选择上,本文对特征类型特征组以及时间间隔特征组分别用改进的单独最优特征组合法和后退搜索法来构成特征子集,并利用包裹法对特征子集的效果进行比较。最后还提出了利用全特征建模时的特征重要程度选择特征子集的方法。在建模阶段,对各个特征选择方案分别建立模型,根据对AUC均值、计算速度的综合考虑,找出最佳特征子集选择方案。为了进一步验证LightGBM模型的优势,将 LightGBM 模型与 XGBoost,Random Forest 以及 Logistic Regression模型进行比较。通过将LightGBM模型与其他异常检测常用模型在拟合效果以及计算速度上的比较,以证明LightGBM模型在窃电用户检测中应用的可行性。