随着科学技术的迅速发展,人们的生活水平逐渐提高,在电力方面的需求也在逐渐增加。同时,各种各样非法用电行为的存在,不仅会给国家造成巨大的财产损失,还会影响电力系统的安全运行。因此,如何利用采集到的海量用户侧数据进行快速、准确地非法用电行为检测,受到了学术界和业界的广泛关注。本文主要从两个方面对非法用电行为检测方法进行了研究。在基于聚类的非法用电行为检测模型中,首先利用自编码器对数据进行预处理,从而得到高层次的用户特征;其次,利用快速搜索和密度峰值算法对模糊聚类算法进行改进,以快速确定合适的初始聚类中心,删除一些异常数据,得到最佳聚类结果;最后,根据输入特定负荷曲线所属类别,选择相应的特征曲线,进行相似度计算,并与设定阀值进行比较,判断是否存在非法用电行为。在基于CatBoost算法的非法用电行为检测模型中,首先利用网格搜索技术获得最佳参数组合;其次,利用用户历史负荷数据进行模型训练,完成用户的非法用电行为检测。并与基于随机森林(Random Forest,RF)算法、极端梯度提升(eXtreme Gradient Boosting,XGBoost)算法、轻量级梯度提升(Light Gradient Boosting Machine,LightGBM)算法及支持向量机(Support Vector Machine,SVM)算法等的检测模型做了对比实验,利用AUC值进行模型性能评估。最后,本文针对所提出的两种非法用电行为检测模型,基于爱尔兰历史负荷数据进行仿真实验。实验数据集首先利用Storm集群进行异常处理,处理的情况包括缺失值、小于零的值;其次利用Max-Min方法进行归一化处理;最后利用处理后的数据集进行相关实验。针对基于聚类的非法用电行为检测模型,本文随机选择6000个住宅用户及其它用户类型的正常日负荷数据集进行了实验;针对基于CatBoost算法的非法用电行为检测模型,本文构建了六种恶意样本,并将其与正常样本相结合构成实验数据集,利用CatBoost算法在平衡数据集和不平衡数据集两种情况下进行了相关实验。