随着电力对经济推动作用的日渐增强,保障电力行业健康有序发展对国民经济的增长具有重大意义。但与此同时窃电行为却屡禁不止,成为困扰供电企业的重大难题。近年来,随着用电信息采集系统的广泛应用,电力公司在满足营销自动化的同时积累了大量的用户数据,这些数据在对管理带来挑战的同时也蕴藏着巨大机遇。用户用电数据中包含了丰富的用电行为信息,通过对这些数据的深入挖掘,可有效揭示隐藏在数据背后的行为信息,较好地完成对用户用电行为的精准分析。本文以此为出发点,通过对异常用电行为的细致分析,依托大量用户数据,采用数据挖掘技术有效完成对多种异常用电行为的检测。在此针对不同检测需求,研究了基于LOF算法的窃电筛查方法和基于SVM的窃电判定方案。并针对各自存在的问题进行了相应的优化,以此更加高效地完成异常电力用户的定位。针对大规模电力用户,本文提出一种基于层次分析法的加权LOF窃电检测方法。该方法首先通过对窃电现象的系统分析,构建合理的窃电嫌疑评价体系;其次针对各电气指标数据异常所能代表窃电的不同概率,采用层次分析法合理量化各电气指标的权重,并结合加权LOF算法对海量用户数据进行加权离群分析,使用综合离群因子表征用户窃电嫌疑程度。最后实测数据验证表明,所提方法相较传统LOF算法在较低检测率时能够挖掘出更多的窃电用户,且具有更好的鲁棒性。为了实现对小批量用户更加精确地窃电分析,研究了一种基于SVM的窃电检测方法,该方法采用SVM分类技术,依据用户用电特征对用户进行合理归类,以此来有效甄别异常电力用户。针对检测数据集中存在的样本不均衡问题,构建了SMOTE+Bagging的综合处理模型,使得不均衡样本的检测效果得到明显增强。考虑到SVM检测性能受参数影响显著,同时基于Bagging的集成分类耗时较大,在此采用差分进化算法完成参数优化。实测数据验证表明,采用差分进化算法能提升SVM的检测精度且大幅降低了优化所需时间。同时提出的综合处理模型能有效改善训练样本的数据不均衡问题,对提升SVM异常用电检测效果具有重大的价值。