随着国家经济建设和电力系统的快速发展,用户侧用电数据也呈现指数增长。通过数据挖掘技术对这些数据进行分析研究,有助于推动电网智慧化发展。然而,由于输电线路老化、计量设备出现故障以及一些用户为了达到少缴或者不缴电费的目的,在实际的供用电过程中会发生异常用电的现象。若对这些现象不采取及时的应对措施,将会严重的影响电力企业的供电秩序,而且对供电安全和国家的经济也会造成严重的威胁。针对上述的问题,本文通过分析用电数据产生异常的原因、造成用电异常的行为以及现有的电力用户用电数据异常检测方法存在的缺陷,提出了一种融合孤立森林、局部离群因子算法的用电数据异常检测模型。该模型充分考虑了用电数据中可能存在的全局异常点和局部异常点。本文的主要工作内容如下:(1)首先,采用模糊聚类算法将用户用电数据进行了分类,即将具有相同用电行为的电力用户划分到同一类。避免了某个具有用电异常行为的用户隐藏在另外一类正常的用电数据中,导致用电数据异常检测模型出现漏判、错判等情况。(2)通过分析用电数据在时序上的特点和其本身具有的规律,本文从统计性、趋势性、变动性、负荷形态四个用电指标对用电数据进行了特征提取,并利用主成分分析方法将提取到的不同类别用户的用电特征集进行了特征降维,消除了特征变量之间的关联关系,进而提高了用电异常检测模型的运行效率。(3)利用孤立森林算法不需要计算有关距离、密度、调节参数少、运行速度快、系统开销小和局部离群因子算法在局部异常数据检测时区分精度较高的特点,构建了基于孤立森林和局部离群因子算法的用电数据异常检测模型。该模型全面考虑了用电数据集中可能存在的全局异常点和局部异常点,为用电数据异常检测提供了一种新的方法。(4)最后,利用ROC曲线、P-R等相关指标对本文构建的用电异常检测模型与其他单一检测模型进行了对比分析,结果表明本文构建的融合多个方法的异常检测模型异常检测的能力明显高于其他单一的模型,证明了本文所提方法在用电数据异常检测方面的可行性和适用性。