电力用户电器使用状态和用电行为的监测与分析能为用户侧需求响应、能效管理与电价政策等精细化用电服务提供数据支撑,是实现灵活互动智能用电的关键环节。目前用户负荷状态数据的监测主要依靠在用户内部安装大量的电器状态监测感应装置,给用户的生产生活产生了一定的干扰,监测装置高昂的研制成本也给整个电网带来了经济性难题,在电力居民用户中推广难度较大。本文研究面向智能用电的非侵入式居民负荷监测关键技术,旨在利用现有用电侧数据获取与处理能力,从居民用户负荷数据压缩传输、负荷特征提取与识别等方面解决上述技术难题,获取精准的用电负荷数据,实现非侵入式的居民负荷监测。面对智能用电海量精细负荷数据的通信传输、种类繁多的电器负荷的准确识别以及精细化用电服务的用电行为挖掘等技术需求,本文面向智能用电的非侵入式居民负荷监测关键技术包括非侵入式负荷监测数据压缩感知与传输方法、非侵入式负荷监测特征提取方法、非侵入式负荷监测识别算法和非侵入式异常用电行为检测方法四个方面,具体内容如下:针对非侵入式负荷监测数据对数据采样频率和通信效率的需求,建立非侵入式负荷监测数据压缩感知模型,分析用电负荷数据压缩感知可行性并建立数据稀疏和观测矩阵;提出非侵入式负荷监测数据重构方法,采用改进的迭代阈值重构方法对压缩感知的负荷数据进行重构恢复,实验结果表明该方法能准确的恢复原始负荷数据,提高非侵入式负荷监测的数据颗粒度。在此基础上,建立基于压缩感知的非侵入式负荷数据无线传感器网络(Wireless Sensor Netwrok,WSN)优化分簇模型,分析WSN分簇路由与数据压缩比例的量化关系,求解最优网络分簇大小和个数,以此提出适用于用电负荷压缩感知数据的WSN优化分簇路由算法,实现非侵入式负荷监测数据的高效传输。针对非侵入式负荷监测中部分电器负荷特征重叠问题,提出了非活性电流谐波负荷特征提取方法,该方法将采样电流分解为活性和非活性两部分,并对非活性电流进行频域分析和处理,从而提高相似电器负荷的特征差异性;针对某些用电场景中低功率电器负荷特征被掩盖而难以识别的问题,提出了基于改进模糊聚类的差量特征提取方法,该方法首先提取负荷的差量特征,再根据簇间熵值和改进的模糊聚类确定电器数量和种类,从而实现不同用电场景下低功率电器负荷的准确识别。针对非侵入式负荷监测对识别算法的识别准确性和时效性均有较高的需求,以及负荷识别中使用单特征寻优的准确性问题,提出基于多特征遗传目标函数优化的负荷识别算法,建立多特征目标函数优化模型,通过对负荷状态的遗传编码,引入新的负荷特征对寻优目标函数进行改进和优化,然后遗传迭代实现不同电器状态变化的精确分解与识别。针对传统神经网络算法随机权值和阈值导致的识别精度和效率方面的不足,提出基于遗传优化神经网络的非侵入式负荷监测识别算法,建立神经网络遗传迭代优化模型,根据网络训练误差作为遗传迭代的目标函数,对神经网络中的权值和阈值进行优化,获得更好的网络性能和负荷识别效果。针对智能用电行为分析与数据挖掘的技术与应用需求,在非侵入式负荷数据传输与监测识别的基础上,研究非侵入式负荷监测的负荷状态数据的深度挖掘,实现在智能用电行为分析中的应用。提出非侵入式异常用电行为检测方法,建立基于非侵入式负荷识别结果的体现用户用电行为与负荷变化的用电行为特征模型,提出基于相关性评价的特征优化选择策略;采用极限学习机算法对优化选择后的特征进行学习和训练,从而实现用户异常用电行为的检测。