针对真实窃电用户数量远远少于正常用电用户所导致的窃电用户分类预测不合理的问题,本文提出了一种基于GRU-Bagging模型的异常用电行为检测方法。首先通过构建基于门控制单元(GRU)的特征提取网络从用户历史负荷序列数据中提取出潜在优选特征;然后利用SMOTE算法增加少数窃电用户的数据量,有效解决数据分布不均衡问题;最后,采用Bagging集成学习模型训练并预测新的测试样本的类别。实验结果表明,该方法在不平衡数据集上表现良好,预测准确度达到86.17%,召回率更是达到95.34%。此外,与长短期记忆网络(LSTM)以及人工特征提取方法相比,所提特征提取方法具有更高效的性能。