Debido a la crisis climática, los problemas de ahorro de energía y reducción de carbono se han convertido en la máxima prioridad para todos los países. A causa de la creciente popularidad de la infraestructura de medición avanzada y los medidores inteligentes, el costo de adquirir datos sobre el consumo de electricidad residencial ha disminuido sustancialmente. Este cambio promueve el análisis del consumo de electricidad residencial, que presenta comportamientos de consumo pequeños y complicados, utilizando el aprendizaje automático para convertirse en un tema de investigación importante entre varias medidas de ahorro de energía y reducción de carbono. El subtema principal de este tema es la identificación de comportamientos anómalos de consumo de electricidad. En la actualidad, la detección de anomalías se realiza típicamente utilizando modelos basados en características de bajo nivel recopiladas directamente por sensores y medidores de electricidad. Sin embargo, debido al significativo número de dimensiones y una gran cantidad de información redundante en estas características de bajo nivel, la eficiencia de entrenamiento del modelo suele ser baja. Para superar esto, este estudio adopta un autoencoder, que es una tecnología de aprendizaje profundo, para extraer la información de consumo de electricidad de alto nivel de los usuarios residenciales para mejorar el rendimiento de detección de anomalías del modelo. Posteriormente, este estudio entrena modelos de SVM de una clase para la detección de anomalías utilizando las características de alto nivel de cinco usuarios residenciales reales para verificar los beneficios de las características de alto nivel.