某些电力用电户通过各种手段进行异常用电,以达到少交电费目的,不但会造成用电安全隐患,而且也会破坏正常的市场竞争秩序。而用电信息系统提供了海量的用户用能数据,其中包含了许多有用的信息,如何借助相关数据驱动方法对用户用能数据进行分析,检测出异常用电行为,不但可以节省人力,还可提高检查准确性,具有重要的工程应用价值。论文首先对国内外学者关于检测异常用电的研究现状进行了汇总分析,对常用的几种检测方法,即随机森林模型（Random Forests,RF）、支持向量机（Support Vector Machine,SVM）、逻辑回归模型和决策树模型进行了分析,基于某电网实测数据集,采用麻雀搜索算法（Sparrow Search Algorithm,SSA）确定了三种模型的对应参数,进行了异常用电行为检测效果检验。具体测试过程中,由于通信失败和设备故障等原因,可能导致抄表时出现数据缺失、数据错误等问题,因此,首先对从关口表和各用户电能表获取的计量数据进行了预处理,由于缺乏异常用电数据,需进行虚假数据注入。提取用电数据中具有解释性强的统计性特征数据,考虑到参数的随机性对机器学习模型性能的影响和异常用电数据占比较小,故使用SSA进行参数寻优和采用ROC曲线下面积（AUC）和损失熵（logloss）作为评判模型优劣的标准。测试结果表明,随机森林的AUC值和损失函数值均高于SVM、逻辑回归和决策树模型,即AUC值为0.9265,logloss值为0.197。故选择随机森林模型作为主要研究对象,对其超参数寻优方法进行了深入研究。针对SSA具有易陷入局部最优迭代后期收敛单一等缺点,提出了基于一种改进的麻雀搜索算法（Improved sparrow search algorithm,ISAA）与随机森林相结合的异常用电行为检测方法。该方法主要针对麻雀搜索结尾取前10%的麻雀作为精英麻雀,利用搜索完后的麻雀和精英麻雀做对比,取精英麻雀作为适应度值。进一步,对精英麻雀算法和原始SSA算法在随机森林上的应用进行仿真对比。结果表明,ISSA-RF相比于SSA-RF准确率高出5.2%,且均比RF、SVM、逻辑回归和决策树模型的异常用电数据样本的准确率高。可见,将ISSA算法与随机森林相结合,通过扩大算法搜索区域,反向进行搜索等,有效地提高了异常用电检测的准确性。