居民作为电力需求侧管理的重要组成部分,其负荷柔性较强、需求响应潜力大,探索居民用电行为规律在当前碳达峰、碳中和的“双碳”背景下具有重要意义。然而,居民家庭用电行为差异性较大、决策主体多样性较高,使得挖掘其需求响应潜力变得十分困难。随着智能电网技术的不断发展,积累了大量的数据资源,尤其是新一代智能电表能够以几秒到几十秒的频率采集电力负荷数据。这些数据反映了用户真实的用电行为,蕴藏着极大的研究价值。但是,居民用电数据具有规模大、维度高、时效性强、价值密度低等典型的大数据特征,传统统计方法从中提取特征比较困难。因此,如何利用新一代数据挖掘技术从智能电表数据中发现居民用电行为规律,制定高效节能的用电计划,提升居民需求响应水平是本文研究的主要问题。论文围绕这一问题主要从以下几个方面进行了研究:首先,使用非侵入式负荷分解技术从居民智能电表总负荷中分解出各用电设备的负荷,得到细粒度的用电行为特征。传统的居民用电行为研究大部分基于社会调查和家庭总负荷,数据规模小、粒度过粗,难以发现深层的行为规律。本文提出了一种基于注意力机制的深度学习模型用于非侵入式负荷分解任务,通过引入注意力机制增强神经网络的学习能力,能够更准确的从家庭总负荷中分解出具体电器的功率,通过在公开数据集上的实验证明本文提出的模型领先当前的主流模型。为了解决深度学习模型依赖大规模训练数据的问题,本文基于提出的模型进行了迁移学习的研究。通过增加多个自注意力层,使模型能够学习负荷信号的抽象特征,这些特征可以跨领域迁移到其它数据上而不需要在新数据上重新开始训练模型,这可以降低模型训练成本,解决模型泛化问题。其次,在负荷分解的基础上研究居民用电行为特征,预测居民用电需求。负荷分解可以得到设备级别细粒度的用电特征:一种是时间层面的特征,比如设备开启时间、运行时长、启动频率和负荷功率等;另一种是设备间相互关联的特征,比如设备开启的先后顺序、设备相互配合使用的习惯等。将这些特征转化成适合的数学表达方式是进一步分析和优化的前提,也是进行需求预测的基础。短期需求预测是电力公司制定居民需求响应计划的重要决策依据。接着,建立了基于需求响应的居民用电优化模型。需求响应是使用价格等刺激信号鼓励用户主动调整自己的用电行为,配合电网完成负荷调控,但是用户常常对激励政策和自身用电习惯缺乏了解,造成需求响应程度不足。本文从历史用电数据中抽取用电规律,使用设备状态矩阵表示居民用电行为,同时考虑用电舒适度和电费支出建立了多目标优化模型,并使用粒子群算法求解家用电器最优开启的时间,通过在真实数据集上的实验证明所提出的优化模型能够很好的平衡舒适性和经济性。本文建立的优化模型能够应用于家庭能源管理系统,提升需求响应的自动化水平。最后,提出了基于协同过滤的居民用电计划智能推荐模型,将高需求响应用户的节能经验推荐给低需求响应用户。传统的优化模型从单个家庭用电数据出发,没有考虑其它家庭的节能经验,前人研究已经证明共享节能知识对居民节能行为有显著促进作用。本文首先通过聚类算法区分用户需求响应的水平,从高需求响应用户中抽取可调控设备的使用计划作为待推荐的节能方案,然后利用不可调控设备使用模式的相似度找出与目标用户具有相似用电习惯的高需求响应用户,根据用户相似度和高需求响应用户对节能方案的评分向目标用户进行推荐。为了解决经典协同过滤算法的不足,论文提出使用神经网络协同过滤算法增强推荐模型的适应性和准确度。