随着智能电表的普及，电力企业积累了海量的用户用电数据，为基于数据驱动的窃电检测方法提供了数据基础。以机器学习或深度学习为基础的智能窃电检测方法能够充分挖掘电力企业冗余的海量用电数据的价值，对提高窃电用户识别准确率，降低反窃电成本，保障电网安全运行有着十分重要的现实意义。
　　针对高损台区窃电用户的识别问题，本文提出多模型融合的智能窃电检测模型，该模型充分利用了正常用户和窃电嫌疑用户的用电量数据在周期性上的差异这一特征，并从全局特征、相邻周期特征、前后周期特征、统计特征四个方面去构建智能窃电检测模型。本文的主要工作如下：
　　(1)分析窃电检测的研究背景和意义，窃电造成了巨大的经济损失，严重影响电网的安全运行，窃电检测工作意义重大。总结国内外研究现状，提出了论文的主要章节和工作安排。
　　(2)归纳高损台区常见的窃电方式以及用电数据异常的原因和特点，窃电行为会反映在用电数据异常上，因此基于数据驱动的窃电检测是可行的。搭建智能窃电检测模型的结构，阐述智能窃电检测模型的基本原理。
　　(3)建立对原始用电量数据进行预处理的方法。阐述数据预处理的过程和主要措施，包括对原始数据进行了数据向量化、缺失值处理、异常值处理、标签平衡和数值标准化等方面的处理。
　　(4)提出多模型融合的智能窃电检测模型。多模型融合的智能窃电检测模型基于全连接神经网络、卷积神经网络、LSTM网络分别构建捕捉全局特征、相邻周期特征和前后周期特征的窃电检测子模块，利用随机森林作为智能窃电检测模型的判别层。
　　(5)最后以某地真实用电数据测试了模型的表现情况。测试内容包括对数据的处理、模型的识别精度，和支持向量机等分类方法的对比等。
　　实验结果证明，本文提出的智能窃电检测模型的分类精度高，在准确率、召回率等多项指标表现良好，泛化能力强，对窃电检测工作有重要的借鉴意义和参考价值。