电力系统逐步发展稳定,智能电网日渐完善,用户用电信息采集系统广泛应用。而随着用户用电信息采集系统的应用积累了大量的用户历史用电数据。这些数据为为电力部门电网规划、决策、用户用电行为分析、负荷预测等提供了强有力的数据支撑。目前,窃电工作难点在于手段隐蔽,难以发现,这让电力企业的相关部门想尽办法也效果甚微。屡禁不止的窃电行为罔顾普通民众正常生活的诉求,破坏整个社会的和谐氛围,增加了不稳定因素。窃电行为的存在带来的不仅仅是巨额的国家财产流失,还有对整个社会秩序的损害。因此,采用大数据的分析方法,找出用户的用电行为规律来解决窃电问题成为了研究热点。本文首先总结当下主流窃电手段包括欠流法、欠压法、移相法、扩差法、高科技等手段的物理原理。分析由所述窃电手段可能导致的异常用电。为能全面的反应窃电特征,分别对电流异常、电压异常、功率因数异常和电量异常、线损异常的方面进行综合分析并提出窃电判别特征。然后采用了特征选择的方法,结合历史窃电数据,对样本数据进行特征选择,完成特征的精简优化,构成窃电指标。最后基于以上特征,采用人工蜂群优化BP神经网络(ABC-BP)神经网络算法建立窃电检测模型,实验证明,本文提出的窃电检测模型可以提高窃电检测准确率,且模型可靠性强。本文所做具体研究内容为:(1)采用基于ReliefF特征选择算法和人工蜂群优化BP神经网络(ABC-BP)神经网络算法两种算法的窃电检测模型,随后采用云南省某地区查处的真实窃电案例数据对此检测模型进行了实例分析。将BP神经网络作为特征优化对比模型,对比测试样本网络输出的评价系数误差率、及样本错判率进行对比。后采用人工蜂群优化BP神经网络(ABC-BP)神经网络模型,采用优化后特征指标作为最终模型输入,进一步对比网络评价系数的误差率及模型错判率。(2)对配电网中窃电手段所导致的窃电特征变化的分析。由电网中电能计量的基本原理,说明目前存在的窃电手段都是基于对电能计量的过程的干扰,使得电能的最终计量少计或不计。总结窃电行为导致的异常用电,分别对电流异常、电压异常、功率因数异常和电量异常、线损异常进行综合分析并提出窃电判别特征,构成窃电特征集。(3)采用ReliefF特征选择算法对包含窃电特征集的样本数据进行特征选择,得到与窃电结果相关性高的特征,而剔除相关性小的特征,构成窃电特征指标。(4)采用基于人工蜂群优化BP神经网络(ABC-BP)的窃电评价模型。首先将BP神经网络作为特征优化对比模型,对比测试样本网络输出的评价系数误差率、及样本错判率进行对,分析得出采用经ReliefF优化后的特征作为窃电模型输入量时,窃电模型具有良好的性能且窃电判别误差率明显降低,错判率降低。后采用人工蜂群(ABC)优化BP神经网络窃电评价模型,将特征指标作为模型输入,对比BP神经网络及ABC-BP神经网络窃电检测模型的窃电评价系数误差率及模型错判率。