现阶段大数据、非监督学习和神经网络等窃电识别方法虽然可以高效地识别窃电与否,但因为其数据质量限制和使用数据类型单一等原因,都无法给出以何种方式窃电这样极其关键的信息。本研究在于打破数据限制,生成带有可靠标签的不同窃电方式的窃电数据,搭建可以识别不同窃电方式的深度神经网络模型,为现场窃电查处工作提供可靠的针对性信息,保证准确、快速且有效的查处窃电行为,提高反窃电工作效率。凭借Matlab强大的电路和电力系统仿真功能搭建窃电仿真模型;使用Matlab提供的GUI接口和内置函数设计窃电仿真模型参数设置程序,使用静态负荷分析窃电仿真模型的正确性;并基于窃电仿真参数设置程序编写批量数据生成程序;使用单列数据分别归一化和同类型数据组合归一化两种方式进行数据归一化;在百度Paddle深度学习框架下,分别使用Sigmoid和ReLU激活函数搭建窃电方式识别深度神经网络模型;对比分析得到最优模型,使用测试集数据评估最优模型对不同方式窃电数据识别的精度。完成了窃电仿真模型中的电流回路短接、电流回路反向、电压回路失压、电压回路错相、互感器饱和与互感器变比改变等模块,完成窃电仿真模型参数设置程序,在静态负荷下,各种窃电方式的波形符合分析结果;实现了窃电数据批量生成程序,生成训练集数据171060条,生成测试集数8830条;据搭建窃电方式识别深度神经网络模型,使用同类型数据组合归一化和ReLU激活函数的模型,在epoch为49时模型对测试集数据的评估精度最好,在最优参数下模型对测试集数据识别精度为0.894。窃电仿真模型能够正确仿真出电流回路短接、电流回路反向、电压回路失压、电压回路错相、互感器饱和与互感器变比改变等窃电方式;窃电仿真模型参数设置程序能够快速准确地设置窃电仿真模型的各种窃电参数;基于用电信息采集数据的动态负荷模型,窃电数据批量生成程序能够按照提前预设的参数值,进行大批量用户窃电数据的生成工作,生成的电气数据和对应标签数据准确无误,保证了数据质量的同时节省了大量时间;在使用同一种归一化方法下,使用ReLU激活函数的模型精度更高,在使用同一种激活函数的模型下,使用同类型数据组合归一化方法时模型的精度更高;在不同的归一化方法和不同的激活函数下模型存在最优参数,在最优参数模型下,模型能够精确识别不同窃电方式,并给出不同窃电方式的概率值,为反窃电工作提供有力指导。