电力体制改革背景下电网企业的经营压力加大,而窃电行为每年给电网企业造成巨大损失,加大窃电行为打击力度对电网企业降本增效、挖掘内部价值增长空间具有重大且迫切的经济现实意义。同时随着电网数字化转型建设的推进,窃电行为由传统的私搭电线、电表短接等物理窃电方式发展为基于数字存储和网络通信技术的新型高科技窃电方式。现有窃电辨识方法难以应对新形势下各种新型窃电方式的挑战,据此本文对数据-模型融合驱动的中低压配网窃电辨识方法开展了深入研究,主要研究内容如下:针对数据驱动台区窃电辨识方法特征物理含义不明,未考虑用户用电行为存在多层次周期特性的问题,提出了一种基于有功序列融合特征设计和支持向量机分类的台区窃电辨识方法。首先将用户月度有功序列切分为周、日两个层次,并基于多层次非负稀疏编码算法提取周、日两层次有功子序列的模式特征;然后基于正常用户和窃电用户用电情景的对比分析,构建周、日两层次有功子序列的经验特征;最后以周、日两层次有功子序列模式特征和经验特征构建的融合辨识特征为输入,通过支持向量机（Support Vector Machine,SVM）算法对月度有功序列进行窃电辨识。基于爱尔兰智能电表数据集的算例表明所提融合特征设计方法相较主成分分析、独立成分分析等降维算法能够更加有效地提取用户用电特征,进而有效提高台区窃电辨识的准确率。针对数据驱动台区窃电辨识方法容易受到用户用电随机性干扰,窃电辨识特征不够稳定可靠的问题,提出了一种基于电压-有功序列皮尔逊相关性分析的台区窃电辨识方法。首先根据电压幅值对低压用户进行聚类,每个聚类簇构建为城镇台区电网的一个虚拟用户;然后根据正常虚拟用户电压幅值和有功功率之间存在近似线性负相关关系的原理,通过判断虚拟用户电压-有功序列间皮尔逊相关系数是否越限判定虚拟用户是否窃电;最后逐个排除窃电虚拟用户中的低压用户,计算虚拟用户电压-有功序列间皮尔逊相关系数前后的差值并给出各低压用户的窃电嫌疑排序。基于爱尔兰智能电表数据集构造的城镇台区电网算例表明所提方法能够准确辨识出城镇台区电网的窃电虚拟用户,并准确给出其内部多个低压用户的窃电嫌疑排序,同时方法在多种窃电方式下具备良好的适用性。针对模型驱动馈线窃电辨识方法对公/专变量测特性差异考虑不足,同时准确率容易受到残差污染、残差淹没影响的问题,提出了一种基于KNN和配变局部变量多元回归分析的馈线窃电检测辨识方法。窃电检测阶段首先基于k近邻回归算法（k-nearest neighbors,KNN）和馈线电源、负荷节点的电压、功率量测构建馈线网损率估计模型;然后根据馈线网损率的估计残差是否越限对各断面进行窃电检测。窃电辨识阶段首先建立配变（包括公变和专变）局部二叉树结构的统一等值模型;其次基于统一等值模型建立配变局部各变量间的多元线性回归模型;然后利用历史正常断面数据对各配变局部变量多元线性回归模型的参数进行估计;最后从馈线末端开始自下而上遍历所有配变,将配变局部各变量量测值代入对应已知参数的多元线性回归模型以估计配变的电压幅值,根据配变电压幅值的估计残差是否越限逐一判定配变是否窃电,并对窃电配变的异常功率数据进行修复。基于IEEE33节点配电系统和重庆某供电公司的实际配变负荷数据构造的中压馈线算例表明所提方法能够准确辨识出窃电配变,并且能够对窃电配变异常功率数据进行有效修复,同时方法还具有较好的抗干扰性以及灵敏性。