随着能源需求量的不断增大,能源短缺问题变得越来越严峻,电力这项基础产业作为能源工业的重要组成部分,越来越成为国家关心的话题,而在利益的驱动下,出现了很多诸如窃电、漏电的异常用电行为,这些行为不仅会严重威胁经济发展,还会扰乱正常的供电用电秩序。虽然供电企业也在不断提高自身的科学技术水平,将各种计算机通信网络技术应用在在电力运营管理方面,但是传统的方法仍然相对落后。而电力系统的存储设备中积累了大量的电能计量数据,如何充分利用这些数据,并通过数据挖掘手段挖掘出其大量的潜在价值,对于协助电力企业掌握用户用电特征、检测异常用电行为,改善传统手段经常出现漏判、误判的不良监测效果等具有显著意义。针对这些问题,本文展开了基于数据挖掘方法的异常用电行为诊断方法的分析与研究。1.对异常用电特征的初步探索与分析。本文首先讨论了数据挖掘相关技术理论,并分析了在其电力领域的应用情况,构建了基于数据挖掘的异常用电检测闭环应用机制。从原因、方式等方面对异常用电行为做出相关分析,并初步探索了异常用电的特征,分析了异常用电和正常用电在用电量方面的特征差异。2.基于FCM聚类分析的异常用电嫌疑用户初步筛选。针对最佳聚类数的选择问题,本文提出了基于加权组合的聚类有效性评价指标WCCVI,并利用该指标进行了最优聚类数的确定,得到了指标达到最优时的聚类数,并在此基础上对用电负荷进行聚类分析,得到用户典型负荷特征曲线。此外,本文还提出了加权形式的相似性度量,结合欧氏距离和相关系数两种指标,并将其作为考察待检测用户的负荷特征曲线和典型符合特征曲线之间的相似度的指标,然后利用设定的阈值来判定该用户是否存在异常用电的嫌疑,从而筛选出具有异常用电嫌疑的用户。3.基于模糊神经网络的异常用电诊断。选择了更适合本文研究内容的模糊神经网络算法,并设计异常用电评价指标体系,在经过FCM聚类分析初步筛选嫌疑用户后的基础上利用模糊神经网络构建诊断模型并进行模型训练和测试,并对诊断结果做出分析评价以及和其他模型进行对比测试。经过测试发现,本文提出的基于FCM负荷聚类分析和模糊神经网络诊断模型的异常用电诊断方案,在对异常用电行为的识别上具有较理想的效果,其误差率和误判率均在理想的可接受范围内,并且在对比情况下优于其他方法的效果。