随着智能电网发展和电力需求持续增长,对负荷用电细节监测的需求日益突出。非侵入式负荷分解是实现用电细节监测的关键技术,其通过将用电数据细化到居民用户内部,获取家电负荷的基础用电信息,从而引导用户智能用电以实现节能降耗,促进需求侧响应,可见该技术极具研究价值和应用前景。非侵入式负荷分解可看作信号的盲源分离问题,针对当前负荷分解方法缺乏考虑负荷用电模式、模型泛化能力弱的问题,提出基于稀疏表示和字典学习的家电负荷盲源分离方法。该方法从家电负荷日用电序列的稀疏性出发,利用仿射传播聚类提取序列模式并划分样本集,然后根据序列模式组合抽取训练样本,利用在线字典学习算法训练负荷字典,最后组合负荷字典并实施稀疏编码,实现对非侵入式总负荷的分离;通过居民负荷真实用电数据集的测试,验证了所提方法的准确性以及在家庭迁移上具备的泛化能力。针对不同家电之间配合使用或关联运行的用电模式,提出计及状态关联规则的负荷分离方法。该方法通过聚类离散化家电负荷的运行状态,结合二维高斯分布函数建立包含功率波动模型的负荷特征数据集,然后计算互信息熵确定强关联家电对,利用Apriori算法挖掘强关联家电对中的状态关联规则,并结合k近邻算法实现状态辨识,最后基于极大似然估计求解功率分解优化模型;算例结果表明相比于传统利用启发式算法进行状态搜索的方式,所提方法取得更高的状态辨识准确度和负荷分离精度。为支撑家电负荷盲源分离的实际应用,进行关键硬件设计。首先基于高级量测体系的一般结构和构建模式,设计了负荷样本采集系统的四层硬件架构,包括用电设备层、信息采集层、集中监测层、数据管理层。然后重点对信息采集层中的信息采集终端进行模块化开发,详述开发过程中的关键问题,并在实验环境下对样机进行功能测试,验证各模块的正常运行。最后依托南方电网重点科技项目建设负荷样本采集工程,为今后硬件系统的进一步完善、负荷分离方法的实际应用奠定基础。