1.一种反窃电方法，其特征是，包括以下步骤：筛选出窃电样本，对已有窃电类别进行分类并对已有窃电样本和正常样本进行类别标记；排除正常样本形成疑似窃电样本集，并进行类别标记；针对疑似窃电样本集构建基于GRU算法的疑似窃电识别模型；将疑似窃电样本集数据输入疑似窃电识别模型，输出二分类的疑似窃电样本与疑似正常样本；根据疑似窃电识别模型输出结果与疑似窃电样本集的类别标记计算其识别准确率，并对模型参数进行反馈调整；根据调整后的模型参数确定自适应类识别的反窃电防御模拟模型；利用反窃电防御模拟模型对用户用电实时数据进行反窃电检测；所述排除正常样本形成疑似窃电样本集并进行类别标记的过程为：采用半监督k-NNM算法将部分标记的历史采集样本集进行聚类划分，排除与标记正常样本聚类的样本后，形成疑似窃电样本集，疑似窃电样本集包含部分标记窃电样本聚类的样本集和无标记样本的聚类样本集，将与有标记窃电样本聚类的样本集进行疑似窃电类别标记；所述采用半监督k-NNM算法将部分标记的历史采集样本集进行聚类划分过程具体包括以下步骤：31，在初始化阶段，基于历史采集的特征样本集为B′＝{b′ 1 ,b′ 2 ,…,b′ g ,…,b′ G }及样本集内包含的有标记特征样本{b′ h …}∈B，将有标记的特征样本归类，共计有k个类别则分为k+1个聚类，第k+1～k+a类为判别失败类，将样本聚类所得簇划分为C＝{c 1 ,c 2 ,…,c k ,c k+1 }；32，计算每个无标记样本b′ i 一对一对应有标记样本b′ j 的距离，采用多维空间余弦相似度算法计算历史采集样本间的相似度：其中，m∈(1,2,…,M)，M为特征数，选取cosθ gh 小于设定阈值L的样本b′ g 归入对应分类簇C r ＝C r ∪{b′ g },r∈{1,2,…,k+a} (2)对于未归入对应类的样本，将其归于第k+1～k+a类；33，对第k+1～k+a类内的样本数据进行均值识别：其中， 是聚类簇C r 的均值向量；34，计算每个第k+1～k+a类无标记样本b′ g 与各聚类簇均值向量u r 的距离l′ gr ＝||b′ g -u r || 2 ，选取l′ gr 的最小的值 将样本b′ g 归入该簇C r ＝C r ∪{b′ g },r∈{1,2,…,k}；35，计算更新后的各聚类簇的均值向量u r 与聚类分割阈值γ、L，并计算本轮的平方误差E，如果所有u r 均未更新，则停止迭代，分类结果作为样本归类输出，转至步骤37；36，如果存在u r 更新的数据，迭代次数w＝w+1，①如果w<W，则返回步骤34，W为迭代次数阈值，②如果w＝W，则选取首次归类和历次迭代平方误差E的最小值作为样本归类输出；37，根据样本归类输出，完成无标记样本的批量数据聚类与划分，并将与已标记正常样本聚类的样本数据剔除，形成高风险窃电样本集。
2.根据权利要求1所述的反窃电方法，其特征是，所述针对疑似窃电样本集构建基于GRU算法的疑似窃电识别模型的过程为：基于历史采集样本集，提取标记的窃电样本集和正常用电样本集，针对窃电样本特征数据关联复杂且用电数据存在时序规律，采用GRU算法构建疑似窃电识别模型，通过对高风险窃电样本集进行窃电行为特征数据挖掘，以时间序列特征为输入，以神经网络提取并保留窃电样本用电数据的历史轨迹，并以实际正负样本的识别准确率构建损失函数，通过梯度下降对模型参数进行调整。
3.根据权利要求2所述的反窃电方法，其特征是，所述采用GRU算法构建疑似窃电识别模型的过程为：基于高风险窃电样本集构建深度学习框架；设定优化函数；构建窃电识别模型，采用优化函数对输入层、隐藏层和输出层进行赋值；基于窃电样本和正常样本数据，采用梯度下降法对窃电识别模型进行训练；将训练后的窃电识别模型作为疑似窃电识别模型。
4.根据权利要求3所述的反窃电方法，其特征是，所述根据疑似窃电识别模型的识别准确率对模型参数进行反馈调整的过程为：如果识别准确率小于准确率阈值，则进行参数反馈调整，调节半监督k-NNM的标记样本数据，将窃电样本识别验证数据反馈至疑似窃电识别模型，采用损失函数调节模型参数，如果识别准确率大于等于准确率阈值，则进入下一步。
5.根据权利要求1-4任意一项所述的反窃电方法，其特征是，还包括以下步骤：对用户用电样本数据进行预处理，并将预处理后数据存入历史样本数据库。
6.根据权利要求5所述的反窃电方法，其特征是，所述对用户用电样本数据进行预处理的过程为：通过用电信息采集系统收集各类典型用户用电数据样本，并以典型用户用电行为数据作为历史采集样本集，数据集包括用户窃电相关的各类特征数据，采用同一样本众数的方式进行缺失数据修复，并进行数据去噪、删除离群点和数据去冗余处理。
7.一种反窃电系统，其特征是，包括：样本筛选模块，用于筛选出窃电样本，对已有窃电类别进行分类并对已有窃电样本和正常样本进行类别标记；疑似窃电样本样本模块，用于排除正常样本形成疑似窃电样本集，并进行类别标记；模型构建模块，用于针对疑似窃电样本集构建基于GRU算法的疑似窃电识别模型；疑似窃电识别模型模块，用于将疑似窃电样本集数据输入疑似窃电识别模型，输出二分类的疑似窃电样本与疑似正常样本；参数反馈调整模块，用于根据疑似窃电识别模型输出结果与疑似窃电样本集的类别标记计算其识别准确率，并对模型参数进行反馈调整；反窃电防御模拟模型确定模块，用于根据调整后的模型参数确定自适应类识别的反窃电防御模拟模型；反窃电检测模块，用于利用反窃电防御模拟模型对用户用电实时数据进行反窃电检测；所述疑似窃电样本样本模块包括：聚类划分模块，用于采用半监督k-NNM算法将部分标记的历史采集样本集进行聚类划分，排除与标记正常样本聚类的样本后，形成疑似窃电样本集；疑似窃电类别标记模块，用于将与有标记窃电样本聚类的样本集进行疑似窃电类别标记；所述聚类划分模块包括：样本聚类模块，用于在初始化阶段，基于历史采集的特征样本集为B′＝{b′ 1 ,b′ 2 ,…,b′ g ,…,b′ G }及样本集内包含的有标记特征样本{b′ h …}∈B，将有标记的特征样本归类，共计有k个类别则分为k+1个聚类，第k+1～k+a类为判别失败类，将样本聚类所得簇划分为C＝{c 1 ,c 2 ,…,c k ,c k+1 }；相似度计算模块，用于计算每个无标记样本b′ i 一对一对应有标记样本b′ j 的距离，采用多维空间余弦相似度算法计算历史采集样本间的相似度：其中，m∈(1,2,…,M)，M为特征数，选取cosθ gh 小于设定阈值L的样本b′ g 归入对应分类簇C r ＝C r ∪{b′ g },r∈{1,2,…,k+a} (2)对于未归入对应类的样本，将其归于第k+1～k+a类；均值识别模块，用于对第k+1～k+a类内的样本数据进行均值识别：其中， 是聚类簇C r 的均值向量；均值向量计算模块，用于计算每个第k+1～k+a类无标记样本b′ g 与各聚类簇均值向量u r 的距离l′ gr ＝||b′ g -u r || 2 ，选取l′ gr 的最小的值r＝arg min r∈{1,2,…,k+1} l gr ，将样本b′ g 归入该簇C r ＝C r ∪{b′ g },r∈{1,2,...,k}；样本归类输出模块，用于计算更新后的各聚类簇的均值向量u r 与聚类分割阈值γ、L，并计算本轮的平方误差E，如果所有u r 均未更新，则停止迭代，本轮分类结果作为样本归类输出；迭代模块，用于存在u r 更新的数据时，迭代次数加1后如果小于迭代次数阈值则继续迭代，否则选取首次归类和历次迭代平方误差E的最小值作为样本归类输出；高风险窃电样本集形成模块，用于根据样本归类输出，完成无标记样本的批量数据聚类与划分，并将与已标记正常样本聚类的样本数据剔除，形成高风险窃电样本集。
8.根据权利要求7所述的反窃电系统，其特征是，所述模型构建模块包括：样本集提取模块，用于基于历史采集样本集，提取标记的窃电样本集和正常用电样本集；GRU模块，用于针对窃电样本特征数据关联复杂且用电数据存在时序规律，采用GRU算法构建疑似窃电识别模型；参数调整模块，用于通过对高风险窃电样本集进行窃电行为特征数据挖掘，以时间序列特征为输入，以神经网络提取并保留窃电样本用电数据的历史轨迹，并以实际正负样本的识别准确率构损失函数，通过梯度下降对模型参数进行调整。
9.根据权利要求8所述的反窃电系统，其特征是，所述参数反馈调整模块，用于进行如下参数反馈调整：如果识别准确率小于准确率阈值，则进行参数反馈调整，调节半监督k-NNM的标记样本数据，将窃电样本识别验证数据反馈至疑似窃电识别模型，采用损失函数调节模型参数，如果识别准确率大于等于准确率阈值，则不对模型参数进行反馈调整。
10.根据权利要求7-9任意一项所述的反窃电系统，其特征是，还包括：数据预处理模块，用于对用户用电样本数据进行预处理，并将预处理后数据存入历史样本数据库。
11.根据权利要求10所述的反窃电系统，其特征是，所述数据预处理模块包括：历史样本集采集模块，用于通过用电信息采集系统收集各类典型用户用电数据样本，并以典型用户用电行为数据作为历史采集样本集；预处理模块，用于采用同一样本众数的方式进行缺失数据修复，并进行数据去噪、删除离群点和数据去冗余处理。
