在利益的驱使下,窃电行为猖獗,而传统的窃电检测手段耗时耗力且面临取证困难等诸多问题,但所有的窃电手法最终都会直接反映在负荷信息的异常上,借助数据挖掘技术能有效检测出异常用户。因此为了加快反窃电检测工作的数据化进程,本文重点研究如何通过负荷数据分析,掌握电力用户的用电模式特征并建立反窃电预警模型。以下为本文的研究工作:1)典型行业用电特征分析。调研了窃电原理,并介绍了反窃电的相关措施。针对源数据中存在的杂乱、异常和缺失值的缺陷,对数据进行预处理。然后结合行业生产流程,并考虑气候、节假日等客观因素,采用负荷特性指标和负荷曲线综合分析了典型高窃电率的行业用电特征,从宏观角度为反窃电预警提供事实依据。2)建立融合算法模型。为更精准地找到窃电用户,借助聚类算法将用户划分类别,获取作为分析标准的典型负荷特征曲线,从而检测用户与特征曲线间的差异,实现数据化的窃电检测。首先根据原理概述了聚类算法,其中K均值聚类算法（K-means）有易受初始值影响和易局部收敛等不足,因此结合自组织映射的神经网络算法（Self-Organizing Maps,SOM）对其进行优化。并通过手肘法和误差平方和选取最佳聚类数,最后通过聚类算法评估指标比较优化后的融合聚类算法的准确性。3)建立反窃电预警模型。通过人工蜂群算法（Artificial Bee Colony Algorithm,ABC）对上述聚类算法深度优化。针对传统人工蜂群算法里,采蜜蜂在搜索蜜源时的振荡现象,采用全种群经验进行优化,提高了种群适应度收敛的效果和速度。通过反窃电预警模型获取负荷特征曲线后,需比较嫌疑用户与典型特征曲线之间的相似度来判断窃电可能性,为准确描述曲线的差异,综合考虑了日负荷曲线形状的和数值大小两类相似度指标,定义了负荷曲线的差异度指标分析待测用户的窃电嫌疑。