目前,一些错误的过度用电模式,如用电户窃取用电、配电侧欺诈等,不仅给企业和社会造成了巨大的经济损失,也扰乱了区域电网的正常分配。甚至频频引发安全事故,因此如何快速有效地实现异常用电行为识别成为当前的一个热点问题。一般基于回归的异常用电识别方法会因为居民在日常用电中出现的随机行为导致最终对用户用电量的预测结果出现误差,最终将对用户异常用电行为的识别结果产生影响。本文提出一种基于注意力机制和改进麻雀算法联合优化网络的异常用电识别方法研究,该方法先建立以CNN-LSTM为基础网络的识别模型,预测用户的用电量,然后将预测值与正常用电量进行比较,最后通过设置偏差量的阈值识别异常用电。CNN被用来提取特征,LSTM被用来处理时间序列问题,使用注意力机制抽取LSTM中重要的时序特征,构成CNN-Attention-LSTM网络。将麻雀算法与差分算法融合得到改进的麻雀算法对CNN-Attention-LSTM网络参数进行优化,从而找到一组最优的网络超参数,使其在对用户用电量预测时,预测性能大大提升。为了验证模型识别性能的有效性,本文以公开数据集为基础,构建了十二种异常用电模式所生成的异常用电数据集作为输入数据进行仿真,相较于通常仅有六种模式的异常用电数据集,可以验证本文方法在各种类型的异常行为下的识别性能。研究了基于注意力机制和改进麻雀算法的异常用电识别模型的识别能力。将这两种方法与LSTM异常用电识别模型、CNN-LSTM异常用电识别模型结合以及SVR模型进行对比研究,仿真结果表明基于注意力机制与改进麻雀联合优化的异常用电识别模型在不同的测试集下性能最优,识别准确率最可达98%,能够较好地识别异常用电用户。