关系数据解释已是大数据时代的重要内容,其通过研究数据间的关系,挖掘数据间的关联规则,解释不确定知识的表示及推理。在现有的关系数据解释挖掘研究中,关联规则挖掘无法直接对含有连续数值与标签特征量的混合数据进行规则挖掘。关系数据解释驱动在应用于非侵入式电力负荷监测中,负荷设备的识别精度仍需要进一步提高。针对现有关系数据关联规则挖掘研究的不足,本文就含有连续数值与标签特征量数据集的规则挖掘问题以及非侵入式电力负荷监测展开研究及应用。首先提出了数据集中特征维度间的互解释表示方法——自解释归约模型,模型通过最大化新设计的自解释归约目标实现对连续数值数据的自适应划分建模。针对标准数据集、模拟规则挖掘问题、以及实际问题的实验分析表明,文中方法具有显见的可行性及可用性,是对现有数据建模与关联规则挖掘方法的有效扩展。技术方法上弥补了现有相关方法在解决混合特征数据建模问题时的局限性,文中理论与实验分析显示了新方法具有较强的创新性及实用性。其次,电力负荷中存在复杂多类型用电设备是提升非侵入式电力负荷监测性能的关键难点,考虑单个时刻的电力信号特征可以由各个用电设备电力信号特征的混合概率建模,进而引入时间域上设备状态应保持时变稳定的先验假设,提出了基于混合概率标签时变约束分配的非侵入式电力负荷监测新方法。新方法基于概率聚类原理和时变标签最优耦合分配机制,通过迭代筛选分配方法识别电力负荷设备状态。基于专业仿真场景数据的实验分析结果表明,新方法相比于最新的模糊聚类方法和隐马尔可夫方法具有更优的综合性能。