随着建设新一代电力系统目标的提出,提高电网的综合服务能力是在实现这一目标的过程中十分重要的一环。综合服务能力的提高需要电网端能及时分析电网用户的用电行为,发现用户端存在的问题,挖掘用户端需求并提供相应服务。随着智能电网的建设与智能电表的普及,数据采集速度得到提高,数据质量也更加可靠。数据挖掘作为一种以数据为基础的先进技术手段,可以利用智能电表采集到的海量数据高效、迅速、准确地挖掘用户用电行为中隐藏的行为规律,所以进行基于数据挖掘的用户用电行为分析研究是十分必要的。目前用户用电行为分析的研究方向主要为异常用电检测与用电行为聚类。对电力用户展开异常用电检测有利于发现窃电行为,减小经济损失。在筛除异常用电用户后,对正常用电用户行为进行聚类可以方便电网对不同用户提供个性化服务。而传统电力用户异常检测需要人工提取数据特征,检测难度较高且效率低下,并且适用于检测时间跨度较长的大量电力数据,不能在短时间内及时发现异常用电用户。此外,用户用电行为不是一成不变的,传统的用电行为聚类方法并不能识别新出现的用电行为类型。因此论文展开以下工作内容:1.针对大量电力数据的异常检测,首先清洗原始电力数据,补全缺失数据,然后利用深度学习的非线性因素自动提取数据特征。论文设计基于卷积神经网络的异常用电检测算法,并研究双层Dropout策略、Batch Norm以及Mish激活函数对异常检测效果的影响。使用真实用电数据评估异常检测效果,选取准确率、精确率、召回率和F1分数值作为评价指标,与Alex Net、支持向量机和决策树算法的异常检测结果进行对比,实验结果表明设计的算法在异常检测方面具有优越性。2.针对少量电力数据的异常检测,选择Cut Mix方法合理扩增原始用电数据,通过卷积神经网络提取数据特征,使用模型融合Stacking方法对特征进行分类。Stacking方法中采用分层结构,第一层为三个初级学习器随机森林、梯度提升决策树和极限梯度提升决策树,并分别对每个学习器进行参数优化,第二层中随机森林为次级学习器,其输入中还加入数据原始特征作为融合模型的指导寻优。使用真实用电数据进行异常检测,以ROC曲线、AUC值和P-R曲线作为评价指标,实验结果表明模型融合算法具有较好的异常检测效果。3.为了实现用户用电行为类型的增量聚类,论文使用一种基于BIRCH算法的方法进行增量聚类研究。首先在原始聚类阶段,将用户用电数据通过卷积神经网络进行特征提取获得聚类特征簇,然后在增量聚类阶段,将新增用电类型的用户用电数据通过卷积神经网络进行特征提取获得聚类特征簇,最后整合原始聚类阶段与增量聚类阶段提取的聚类特征簇后,使用多种样本集进行验证,以DBI和purity值作为评价指标,测试增量聚类算法的效果。实验结果表明所使用的算法能对新增用电行为类型进行识别与聚类,并且可以提高用电行为整体聚类的准确率。