随着能源短缺和环境问题的加剧,人类大力发展清洁环保的可再生能源,尤其是太阳能已经受到各国关注和研究。近年来,为支持和倡导分布式光伏发电项目,国家能源局公布整县（市、区）推进分布式光伏开发试点（简称“整县推进”）。在利益驱使下,存在用户通过一定的技术手段使得分布式光伏上网电表多计发电量,进而获取高额回报,该行为被称为光伏窃电行为。此窃电行为存在着巨大的用电安全问题,并给国家和社会造成了巨大经济损失。为此开展相应窃电行为识别研究对分布式光伏发电行业发展具有重要意义。其一,简要介绍了光伏发电基本原理和光伏发电系统,分析不同光照强度和温度条件下的光伏出力特性,给出了典型分布式光伏窃电方式和数学模型,进行了窃电特征分析,介绍了本文所用分布式光伏窃电行为识别模型算法原理,为后续分布式光伏窃电行为识别的相关研究提供依据。其二,准确的分布式光伏发电功率预测值,是判定用户窃电的重要参考值。为此,构建了一种基于长短期记忆（long short-term memory,LSTM）网络的光伏发电功率预测模型。通过与传统BP神经网络预测模型和RNN网络预测模型的实验结果对比,表明LSTM网络预测模型能更好地处理时序问题和反映时间相关动态特性,预测的误差更低,精度更高。其三,随着智能电表的普及,分布式光伏的电力数据的质量和数量都在增加,为开展基于数据驱动的窃电行为识别检测提供条件。为此,研究传统机器学习中的分类算法,基于极限梯度提升算法（extreme gradient boosting,XGBoost）识别分类模型,提出一种基于XGBoost的分布式光伏窃电行为识别方法。通过数值仿真实验结果的比较,表明相较于KNN分类器和SVM分类器,XGBoost分类器的分布式光伏窃电行为识别性能较好。其四,由于深度学习方法具有强大的非线性映射能力与特征提取能力,比传统机器学习方法具有更高的识别准确率。为此,选用卷积神经网络（convolutional neural network,CNN）来进行分布式光伏窃电行为识别。但由于相关电力部门收集到的用户样本类型数据不平衡,无法满足基于深度学习的窃电行为识别需求。为此,提出了一种基于Wasserstein生成对抗网络（Wasserstein generative adversarial network,WGAN）的分布式光伏窃电样本数据增强方法。根据典型的光伏窃电模型,针对窃电样本的数据特征构建CNN识别模型来进行窃电行为识别。最后,通过算例分析,对比不同数据增强方法与分类器,表明WGAN生成的窃电样本能够符合真实样本的波动规律和历史数据的概率分布特征,进而有效改善各类分类器的检测识别性能,其中CNN分类器窃电行为识别效果较好。