非侵入式负荷识别是利用电能用户进线处采集的电压、电流波形数据,通过对数据的处理和特征分析,完成用户用电设备性质的分类和主要用电设备的识别。对于电力用户而言,非侵入式负荷识别能够使电力用户更为详细地了解各类用电设备的电能消耗,引导用户在电价激励的机制下主动参与电网的“削峰填谷”;对于电网而言,能更为真实地了解电力系统的负荷组成,为提高电能利用效率提供依据,有很好的理论意义和实用意义。本文采集典型住宅用电负荷工作电压、电流波形数据,在分析用电负荷电气特征的基础上,分别利用基于滑动窗的双边累计和方法与C4.5决策树方法进行用电负荷投切事件检测和用电设备性质分类与主要用电设备识别,主要工作包括:采集典型住宅用电负荷的工作电压、电流波形数据,利用傅立叶谐波分析法,研究用电负荷的稳态电气特征,将实验的家庭用电负荷分为电阻类、无功类、电子类和复杂类等四类,并评估了基于稳态电气特征参数进行非侵入式负荷识别的可行性。采用基于滑动窗的双边累计和方法进行用电负荷投切事件检测。投切事件是指用电负荷投入或者切除的电气行为。由于典型住宅用电负荷有功功率数值范围较广、启动暂态过程持续时间和功率变化速度不同、部分电器设备工作时基波有功功率波动较大等特点,对基波有功功率进行了中值滤波,提出了针对基于滑动窗的双边累计和方法的改进算法,以提高事件检测的电器适应性。为尽可能地利用不同特征参数的优势,分别采用C4.5决策树方法和k近邻学习算法进行负荷的类间识别和类内识别。采用C4.5决策树方法,利用24个实验对象5s稳态的基波功率因数、电流-电压3次谐波含量差和电流2次谐波含量的数据作为训练数据集,以这些特征参数的信息增益率为依据确定了决策树内部节点的顺序和分裂属性阈值,从而建立了负荷决策树类间识别模型;采用k近邻学习算法,以欧氏距离为依据,在基波有功功率?基波无功功率相平面内进行负荷类内识别。通过利用实验数据、入户现场测试所得数据和国际BLUED数据集进行非侵入式负荷识别,结果验证了本文方法的可行性和可推广性。