未来的智能电网要求电网与用户有着更加密切的信息和行为互动，因此智能电表需要有更加精确、可靠的电能量管理能力，不仅可以对用户分时，还能进行分类精确计量，这就要求智能电表首先具有对负荷分类识别能力。目前的负荷分类识别研究一般利用单层识别算法实现所有负荷的分类识别，导致算法复杂、计算量大；同时大多数研究都没有很好地解决高噪声、大功率非平稳负荷波动干扰下多类负荷混合运行中的负荷分类识别。针对以上这些问题，文章在研究现有住宅负荷识别方法优缺点的基础上提出一种结合改进最近邻法与支持向量机的非侵入式住宅用电负荷多层分类识别方法。分析了常用住宅用电负荷的信号特征并设计了负荷投切事件检测算法，提取特征量并建立了住宅用电负荷特征数据库，改进了最近邻法并和支持向量机进行了分类器层级的有效结合。利用训练集数据对分类器进行了训练，在此基础上利用测试集数据对方法进行了有效性验证具体内容如下：①采集并分析多类不同品牌、功率的住宅用电负荷在不同工作状态下电压、电流、功率波形，讨论了多类负荷混合运行下进行识别的可行性和提取特征的思路；比较了不同负荷改变运行状态时波形变化的异同以及干扰事件与真实事件的区别，提出了负荷投切事件检测算法，实验结果表明算法可以排除负荷的功率波动带来的干扰，达到良好的负荷投切检测效果；负荷启停检测完成后就可以划分负荷波形的暂稳态区域并定位标识点。利用不同的数学变换方式，以时域、频域、稳态、暂态等不同角度提取来自住宅用电负荷的电压、电流、功率数据的多种特征量，将原始值和归一化值存储下来，建立5种住宅用电负荷的共100个样本的20维特征数据库；随后根据特征空间中的类内距离与类间距离之比评估特征量对各类电器的分类能力，对20维特征量进行了初步筛选为后续特征量组合寻优缩小了选择范围，减少了计算量。②在分析了最近邻法和C均值法的优缺点的基础上提出了结合有限最近邻元素概率分布和均值中心相似性的改进最近邻识别算法；考虑多层识别更少的计算量和可拓展性，设计了基于改进最近邻算法的多层分类器，训练出了最优的分类器参数和特征量组合，实际负荷运行数据实验表明：在较高噪声干扰下，基于改进最近邻法的三层分类器识别方法能有效识别多类住宅用电负荷混合运行下的每类负荷的投切状态和种类，包括较为困难的大功率非平稳负荷背景下小功率负荷的识别以及低采样率下的识别，同时分类识别率明显高于传统的最近邻法、C均值聚类法的单层和三层分类器方法，证明分类算法和分类器改进的有效性和稳健性。③针对特征量相似的异类负荷在特征空间的分类识别率低的问题对多层分类器中各个分类器进行了总识别率统计分析，发现改进最近邻法分类器无法很好解决样本特征空间线性不可分问题，于是引入适用于划分线性不可分样本的支持向量机（SVM）分类器代替了部分改进最近邻法分类器并对SVM分类器进行了参数优化，实验结果表明电器的分类识别率有了明显提高，证明了SVM分类器对解决住宅线性不可分负荷问题是有帮助的，两种分类器的组合优势可以提升对整体分类器的分类能力。