据研究显示,每年电力系统中因非技术性问题造成的营运损失高达百亿美元。非技术性损失是指由配电网侧电力用户的窃电、欺诈等一系列虚假用电行为造成的运营损失。随着智能电网不断推进与传感采集技术的高速发展,电力公司用电负荷数据海量增加,这导致异常用电用户检测越来越困难。近年来,人们提出一些智能检测算法来克服原始人工检测盲目性高、查准率低等弊端,提高现场检测的命中率,降低运营成本。现阶段大部分智能检测算法都是基于有监督学习进行的,需要以大量带标签的训练集为前提。但现实情况中,数据分析检测的初始阶段没有大量训练集进行模型训练,所以本文提出了基于无监督和半监督学习的异常用电用户检测模型,旨在形成用户可疑度排序列表,为现场检测提供检测重点,提高现场检测的准确率。本文研究工作主要包括:(1)针对检测初期,缺乏用户用电类型(正常、异常)的问题,利用无监督学习方法提出基于离群点的异常检测模型框架。框架中包含基于聚类分析的一级灰名单生成算法与基于离群点计算的二级灰名单生成算法。利用此模型可以生成具有可疑度排名的用户列表。利用真实电力数据进行实验表明本文模型在无需训练集的情况下生成可疑度排名列表,只需检测该列表前30%的用户即可获得较高的异常查全率,即可疑度排名列表中排名越靠前用户可疑度越大。(2)为了检测用户群体作案的情况,本文在基于离群点的异常检测模型基础上结合有监督学习提出了基于半监督学习的异常用电用户检测模型。在此模型中提出了基于行为相似度计算的三级灰名单生成算法,此算法利用黑名单库中的异常行为,检测出与黑名单中用户具有相似行为特征的可疑用户。实验表明,采用半监督学习的异常检测模型检测效率明显高于只利用无监督学习进行异常检测。