加强住宅内电力能源消耗的监测对减缓能源供应的短缺和智能电网发展都具有重要的现实意义。为了提高居民住宅环境中的能源利用率,对家庭能源功率消耗的可视化监测是一个重要的技术。在居民住宅中,用电监测有助于节约能源,非侵入式负荷监测(NILM)技术是实现用电监测的一个重要方法。NILM的目的是使用机器学习技术将消耗的总功率分解为单个用电设备的功耗。本文研究了非侵入式负荷监测的事件检测方法,所谓事件就是指被监测的用电负荷接入或切断运行的用电行为。事件检测在非侵入式负荷监测中具有非常重要的作用,它能够准确地检测出家庭住宅环境中的用电器开或关。在保持消费成本的前提下,提高NILM中事件检测方法检测率及保持其鲁棒性也是很重要的。针对BLUED数据的功率信号存在噪声,且对事件的检测结果有产生很大影响,本文首先采取中值滤波对总功率数据进行预处理,得到最佳的总功率数据。其次,介绍了现有的标准X2GOF事件检测方法,且该方法对功率信号中增加的可变基负载具有非鲁棒性。针对标准X2GOF方法存在的问题,论文研究了两种最新的鲁棒性事件检测方法:改进版本的卡方拟合优度检验法和基于倒频谱平滑法的事件检测方法。然后,通过MATLAB仿真软件,采用BLUED数据集分别对这两种方法进行实例仿真并分析其仿真结果。最后,文章根据分析结果,采用特征度量值F分别对三种事件检测方法的鲁棒性进行具体分析,并得出本文研究的两种事件检测方法具有鲁棒性的结论。因此,基于BLUED数据集的实例仿真结果表明,本文新研究的算法对较高的基负荷具有比标准X2GOF方法更好的性能。