摘要：用户窃电是电网电能非技术损失的主要原因，对电力系统造成了巨大的经济损失和资源浪费。相较于大量用户正常用电样本，窃电用户属于少数类样本，而传统窃电分类方法在样本稀疏或失衡情况下表现不佳。由此，提出一种基于改进时间序列生成对抗网络（TimeGAN）数据增强的用户窃电分类方法，使用Time⁃GAN对原始小样本窃电数据进行增强，生成与原始数据分布相似的增广样本，考虑到增广样本存在噪声或不可信等问题，利用马氏距离评估增广样本的质量，完成不可信样本剔除。通过卷积神经网络（CNN）对数据增强后的用电负荷数据进行特征提取，采用长短时记忆网络（LSTM）提取特征量的时序相关性并完成特征分类，进一步，利用麻雀搜索算法（SSA）对CNN-LSTM网络进行参数优化，提高模型检测精度。实验结果表明，所提方法可有效解决用户窃电行为识别中样本不平衡的二分类问题。

      关键词：TimeGAN模型；马氏距离；麻雀搜索算法（SSA）；窃电识别

      中图分类号：TP39；F426.61    文献标识码：A