电能计量是电力能源市场化运作的基础。电能计量装置如果发生异常,将会直接影响供用电双方的经济利益。目前,电网企业电能计量数据已经普遍采用远程集中采集的模式。现有电能计量异常发现与定位的方法,主要是通过分析电能量采集系统发出异常数据告警和计量装置现场的检验检查。随着电力数据规模的不断扩大,现有的方法突显出精确度不高,效率低等弊端。为探索上述问题的优化解决方案,本文以地区电网用电客户实际用电数据为研究基础,针对现有电能计量异常解决实例,使用多种大数据分析方法,设计了多模型融合的计量异常诊断算法,并利用实际数据加以验证。首先,针对电能计量装置的基本构成进行了介绍,从理论上对计量装置各组成部分产生计量异常的原因进行了分析;针对地区电网现有的电能量远程采集系统基本架构和关键技术进行了分析,并对采集系统中现有的计量异常分析模块功能进行了探讨,指出了现有模块功能的局限性。在上述分析的基础上,指出了现有计量异常查找模式的关键与不足。其次,针对电网企业现有解决计量异常的管理及技术手段进行了深度的剖析,指出了计量异常处理工作中的难点。结合实际处理异常用电行为的案例,通过理论计算和分析,阐述了现有计量异常处理方案中的优势与不足,指出了提升该项工作效率的关键。在上述分析的基础上,提出了利用大数据分析的方法进行计量异常的快速定位。最后,针对SVM、随机森林和神经网络三种大数据分析方法的优势与劣势,提出了将三种算法进行深度融合起来取长补短能够避免单一模型出现的高维数据不适应,抗噪能力差,拟合能力不强,难以训练等不足。并在此基础上通过ROC,AUC等指标展示了结合机器学习以及深度学习在实际电能计量异常检测定位的作用。通过实验数据结果,说明设计的融合模型可用于异常用电数据的判别与定位,并利用实际的用户数据进行验证。