随着日常生活水平的提高,同时受到疫情等情况的持续影响,不仅用户侧的用电需求量日益增大,还会出现新的用电行为模式,因此检测用户的用电行为以更好地适应用户需求,并发现潜在问题变得十分重要。目前电力物联数据每天或每小时以百万级的速度产生,并且电力物联数据的种类繁多,蕴含着体现用户用电行为、电能质量、电力设备运行状态等重要信息,所以有必要基于电力物联数据开展用电行为检测。用采数据源自用户侧的智能电表,是电力物联数据中最能体现用户用电行为的关键数据。因此,本文基于用采数据开展了用户的用电行为检测,分析结果可以辅助制定电价、判断用户是否存在异常用电行为（如窃电、违规用电）等分析。电力用户侧的用采数据蕴含着丰富的与用电行为相关的数据,本文将用采数据引入用电行为检测,并将数据挖掘技术应用于用电行为检测的各个阶段。目标是找到一种能够充分利用电力物联数据,并有效进行用户的用电行为分类和检测的方法。本文的具体研究内容如下:1.针对传统的用电行为特征未考虑电力物联数据本身蕴含的信息的问题,将数据特征引入用电行为特征模型,并给出了融合业务驱动和数据驱动特征的用电行为特征集构造方法。该方法采用业务指标构造业务特征,基于时频变换方法提取用采数据的频域特征。使用两种特征共同表征用户的用电行为,可为用电行为分类提供更丰富的依据。2.提出一种面向电力物联数据的用电行为检测方法。首先,给出一种基于最大信息系数和方差的特征重要性评估方法。基于该方法能够兼顾业务特征和数据特征,以获取更有价值的用电行为特征集。然后,提出一种基于递归特征消除算法的用电行为分类方法,方法使用k-means辅助定参的DBSCAN算法,并结合递归特征消除算法寻优确定特征集,取得的分类效果在内聚度和分离度方面均具有优势。此后,引入用户侧环境因素,结合多种算法共同预测各类别用户的负荷及负荷区间,基于负荷区间的上下限实现用电行为检测。相比于采用单一预测算法的方式,采用多种预测算法相结合的方式,综合了多种预测算法的优点,预测结果具有良好的稳定性。3.设计和实现了基于电力物联数据的用电行为检测系统,系统由数据管理模块、数据处理模块、用电行为检测算法库模块、结果呈现模块组成,提供数据集选择、特征构建、添加算法、结果可视化等功能,能够满足用电行为检测在数据接入、数据处理方法和结果呈现方面的需求。