郑颖， 邓灵莉， 李劲夫， 卓灵， 游奇琳， 范怀瑾， 冯文江

1.国网重庆市电力公司 信息通信分公司， 重庆 401121； 2.重庆大学 微电子与通信工程学院， 重庆 400044；3.国网重庆市电力公司 铜梁供电公司， 重庆 402560

电力作为国家重要的战略资源， 对社会经济繁荣发挥着不可或缺的主导作用． 近年来， 由于能源紧缺， 电费上涨， 电力用户承担着较大的经济负担， 导致世界各国窃电行为加剧， 给电力公司造成了巨大的经济损失[1]．

为了应对窃电现象， 学者针对窃电检测方法进行了大量研究， 其中主流的技术路线有监测电表的物理特性和分析用电的数据特征， 基于电表物理特性的窃电检测通过分析用电数据的异常， 判断电表计量数据是否被非法篡改[2]． 根据电量参数的类型， 窃电途径可分为5类[3]： 欠压法窃电、 欠流法窃电、 移相法窃电、 扩差法窃电和无电表窃电． 对于前3种窃电途径， 常用的应对方法是改进电表结构， 为每个电量参数设定相应的阈值[4-6]， 然而， 由于用电数据的多样性与冗余性， 该方法难以实现同步传输和高效管理， 且检测异常数据的能力有限． 为了提高窃电检测能力， 基于用电数据特征的窃电检测引起了广泛关注， 其核心是通过监测用电量的变化[7-9]， 即通过对采集的用电数据进行比对， 判断是否存在异常， 如通过计算线损率(Line Loss Rate， LLR)判断用户是否窃电[10]． 但是， 由于用电数据量巨大， 此类方法的工作量大， 检测效率低， 为此， 一些学者结合机器学习模型， 如灰色模型(Grey Model， GM)[11-12]或……