窃电行为不仅会增加电网的非正常线损,损害电力企业的经济效益,还会破坏正常的供电秩序。对窃电用户的识别、取证和窃电量的估算是反窃电工作中的三个主要内容,此外,对强磁场、强无线电和高频高压等高科技窃电行为的识别和取证也是亟待解决的难题。传统的窃电行为识别方法主要包括人工定期巡检、用户举报和随机抽样检查等,其目的性较弱且时效性较差;同时,现有的窃电量评估方法精确度较低。因此,研究一种准确、可靠且实时的窃电行为识别和窃电量评估方法及系统具有重要的工程意义。本文在研究大维随机矩阵极限谱分布理论和LSSVR时间序列预测的基础上,提出了基于大维随机矩阵极限谱分布理论的窃电行为识别算法和基于半监督学习MMD-IMABC-LSSVR时间序列预测算法的窃电量评估方法,并研究了全方位防窃电系统,实现了对传统窃电行为和高科技窃电行为的全方位识别。本文研究了大维随机矩阵的极限谱分布理论,在此基础上改进并提出了 AR(1)模型样本协方差阵的极限谱密度和圆环律,同时改进了 MP律判据和圆环律的判据,提出了基于Frechet距离的MP律判据和基于圆环外特征根占比和特征根点密度的圆环律判据。同时,分析了时间序列预测算法的概念、特点、条件、方法和分类,研究了基于最小二乘支持向量回归机(Least squares support vector regression machines,LSSVR)的时间序列预测算法的基本步骤。为窃电行为识别和窃电量估算方法的研究奠定了理论基础。本文研究了基于大维随机矩阵理论的窃电行为识别的方法,在大维随机矩阵极限谱分布理论的基础上,改进了基于MP律和圆环律判据的用户窃电行为分析综合判据,提出了线路线损异常程度判断、台区用电异常程度判断和用户窃电嫌疑程度判断的定量判据,并以线路线损异常为筛选标准,根据异常线路上台区用电异常情况缩小嫌疑台区,最终确定嫌疑台区的嫌疑窃电用户范围。针对窃电时间区段较难确定的问题,提出了基于圆环律中特征根点密度随时间变化的波动情况进行判断的方法,实现了窃电时间区段的精确确定。此外,研究了基于滑动窗口的用户用电异常快速识别的方法,具有准确性和灵敏度高的特点,实现了对用户用电异常的快速诊断。通过某电网公司实际窃电案例验证了该方法的有效性和准确性。本文研究了基于LSSVR时间序列预测算法的窃电量估算方法,并利用半监督学习算法和最大均值差异(Maximum Mean Discrepancy,MMD)对LSSVR算法进行改进,构建当前数据和历史同期数据共同组成的协同训练样本,提高了历史数据的利用率和窃电量估算的精确度,同时实现了精度较高时间序列的多步预测。此外,利用交叉算子改进的人工蜂群算法(Artificial Bee Colony,ABC)对模型参数进行优化,提高了参数的全局寻优能力和时间序列的预测精度。实例分析表明,与MMD-LSSVR和MMD-ABC-LSSVR算法方法相比,本文提出的方法精确度更高,其平均相对误差仅为0.42%;与传统方法相比,本文方法更简洁且适用范围更广。在上述研究基础上,研制了全方位防窃电系统,该系统由基于大数据分析技术的窃电行为识别分析软件以及基于强磁场、强无线电干扰以及高频高压监测技术的高科技防窃电装置组成,实现了对传统窃电手段和高科技窃电手段的全方位识别、窃电用户窃电量的准确估算以及高科技窃电行为的及时识别和取证。通过实际窃电案例和模拟高科技窃电行为干扰实验的测试,验证了该系统的可行性和可靠性。