现代电力系统中部署了大量的智能硬件设备,如智能电表等。智能设备在提供更多先进技术的同时,也给电力系统带来了很多漏洞,导致恶意窃电用户可以随时随地发动各种网络/物理攻击来窃取电力。窃电不仅给公共事业公司带来了巨大的经济损失,还可能引发火灾等事故,危害公共安全。所以,智能电网邻域网中窃电行为检测的研究目的就是及时发现邻域网中的窃电行为,并识别出所有的窃电用户。窃电用户识别的主要难点和挑战在于:如何设计数据组织方式来处理一维历史用电量序列,使得输入数据包含更多规律信息;如何更高效、更全面地从输入数据中提取用户的正常用电模式特征;对于新样本数据,如何设计检测算法,以尽可能低的成本、尽可能高的准确率、尽可能低的误报率和漏报率,来区分用户的正常/异常行为。目前提出的窃电检测方法仍存在一些不足之处。本文的主要贡献总结如下:（1）针对现有基于机器学习的窃电检测方法没有充分学习用户用电模式的周期性特征且检测准确率相对较低、误报率相对较高等问题,提出了一种基于卷积长短期记忆神经网络的高精度窃电检测方法（Electricity Theft Detector based upon Convolutional Long Short-Term Memory,ETD-Conv LSTM）。对于社区中的可疑用户,首先将具有时间相关性的一维用电量时间序列重构成具有时空相关性的二维矩阵数据。然后将该矩阵划分为一系列子矩阵序列,并输入到ETD-Conv LSTM网络中。该网络模型融合了长短期记忆神经网络和卷积机制的优势,不仅可以捕捉矩阵行向量中包含的时间依赖特征（即全局特征）,而且能够学习用户在相邻日期和时间段内用电量差异的空间特征（即局部特征）。实验结果证明,所提出的ETD-Conv LSTM能够更有效的捕捉输入数据中的用电量周期性特征,检测准确率高达93%;与现有算法相比,检测精度更高,而漏报率和误报率相对较低。（2）针对现有检测方法一般都有假设恶意用户窃电量较大,而在小规模窃电（Small-amount Electricity Theft,SET）情形下检测准确率大大降低甚至失效的限制,提出了一种能够有效处理小规模窃电攻击的基于休哈特-累积和联合控制图的SET攻击检测方法。该方法由窃电检测阶段和恶意用户识别阶段组成。窃电检测阶段应用休哈特和累积和控制图来分析中央观测仪表的供电量测量值与所有用户上报用电量总和之间的差异变化。如果休哈特控制图检测到异常,表明至少有一个恶意用户发起了大规模窃电（Large-amount Electricity Theft,LET）攻击和/或多个恶意用户发起了SET攻击。如果累积和控制图检测到异常,表明至少有一个恶意用户发起了SET攻击。恶意用户识别阶段结合两个控制图来分析每个用户日用电量的波动情况,旨在准确定位社区中所有窃电用户。综合来看,如果休哈特/累积和控制图检测到异常,对应用户就是发起LET/SET攻击的恶意用户。大量的实验证明,该方法能够快速高效地检测到SET攻击,且比现有算法具有更低的误报率和漏报率。