电力营销服务是供电服务中的最重要内容之一,识别和管控电力用户的各类异常用电行为是其主要工作之一,准确识别用户在电力消费过程中的异常行为对电网系统安全运行、避免电网企业的电费损失均有着重要意义。目前电力营销部门使用人工经验规则库检测出异常信息,然后人工现场检查这些告警信息来甄别用户是否具有异常行为,这种方法缺乏针对性,需要工作人员现场确认,耗费人力资源。本文针对以上问题,提出利用用户的历史消费数据对用户行为进行识别,从数据层面建立模型,减少人力成本、节约资源。本文用到的原始数据为某省近两年的用户营销数据,并分别从时间特征和空间特征两方面对数据进行分析:(1)分析用户数据的时间特征,对传统的长短期记忆网络增加反向传播层,增加对时间跨度大的关联特征的兼容性,实验结果表明,Bi-LSTM(双向长短期记忆)网络对用户行为的识别准确率要高于其他几种网络,并且波动小、稳定性高。(2)分析用户数据的空间特征,对用户每个月的用电数据之间的协方差计算协方差矩阵,然后利用卷积神经网络对特征进行提取,得到了用户的特征序列,并进行特征拟合建立识别模型,结果表明该模型在三种用户数据上都表现良好,且收敛速度快。(3)由于台区用户的异常行为对台区线损率的影响较大,所以本文提出了一种针对台区线损率的预测模型来辅助检测用户异常行为,该模型采用对抗生成网络进行数据扩充,并利用BP神经网络进行精准预测。论文以识别用户异常用电行为,保障电网系统安全运行,减少经济损失为出发点,利用Bi-LSTM网络和卷积神经网络分别从时间特征和空间特征两方面进行建模分析,并对台区线损率进行预测以辅助用户行为检测,实验结果对营销服务系统的用户管理服务有较高价值。