现阶段,我国智能电网建设飞速发展,信息化采集系统逐渐完备,可采集到的用电数据日益增多,用户用电数据中隐藏着大量信息,采用神经网络算法分析用户用电数据,挖掘其中的有用信息,获取不同类型用户用电的相关规律和模式信息,为电力调度和电力服务提供依据。同时异常用电行为也与日俱增。异常用电行为不单给电网公司带来了巨大的损失,还会对电网设施造成损坏,对电网安全运行造成巨大隐患。因此,异常用电行为检测是保证电网安全运行的重要一环。通过对以上问题的研究,异常用电的主要手段有电能计量装置故障、窃电、电力系统谐波干扰三个原因。本文将从计量装置故障与窃电两大原因入手,深入探究计量装置故障与窃电发生的特征量,从计量装置检测数据和用户用电数据着手,对特征数据进行整理和计算,随后采用了一种基于主成分分析改进的极限学习机算法,对计量装置检测数据进行分析,划分计量装置中发生的各种故障。然后采用PSO算法对BP神经网络进行优化,搭建用户异常用电检测模型,用以识别出用户的异常用电行为。主要研究内容如下:(1)通过对电能计量系统原理的分析,分析整理各种电能计量装置故障的特征,并通过对电力计量装置设备中的检测电路数据的采集,采用一种基于主成分分析改进的极限学习机算法,对计量装置检测数据进行分析,对各类计量装置故障进行分类,识别出电能计量装置有故障的用户。(2)本文将重点关注有功功率、无功功率、功率因数、三相不平衡率等九个方面,用于评估和预测目标用户的疑似窃电系数。采用BP神经网络搭建异常用电检测模型,将以上九个指标作为输入,实际情况下的窃电结果(窃电为1,否则为0)作为输出,反复训练BP神经网络,结束后,输入测试数据,最终输出窃电结果的判定值。实验阶段,通过对云南省某地区300户计量装置数据及用户用电数据的采集和分析,将90%的数据进行训练建模,并选取其中10%的数据进行测试。结果显示,在PCA-ELM算法对计量装置故障检测的验证中,检测结果完全正确,平均误差为4.5%。同时,在PSO-BP算法对异常用电用户检测的验证中,检测结果与实际异常用电情况一致,平均误差为2.87%。最后通过对二者结论的交叉比对,从疑似异常用电用户中排除有计量故障的用户,最终确定了完整的窃电用户名单。