非侵入式负荷分解（Non-Intrusive Load Disaggregation,NILD）可以在不改变现有电路结构的前提下,通过用户电力入口处的电气数据实现负荷运行状态的监测和能耗的分项计量。NILD有助于用户管理用电行为、提高电能利用率;电网企业可根据NILD的分项计量统计信息制定科学有效的分时电价等政策,激励用户参与需求响应市场;通过NILD有效实施能降低全社会的能源消耗与碳排放量,推动双碳目标的达成。为此,本文提出NILD的云边协同框架,对事件型NILD算法及其应用场景开展研究。首先,以有功功率作为负荷特征,提出了计及多设备同时启停的NILD算法。利用非支配排序遗传算法II优化滑动窗双边累积和算法的参数,提高了多设备时事件检测的精度。在检测到事件并提取事件特征之后,构建用于负荷识别的混合整数线性规划模型,解决了连续变化型负载和开关型负载同时启停时的负荷识别问题。事件检测算法实时运行的同时,负荷识别算法仅由事件触发,降低了分析推理的算力要求。针对仅使用有功功率特征时负荷分解精度受限的问题,本文提出了高频数据下基于融合特征的NILD算法。利用神经网络的高级特征提取能力,实现有功功率和电压-电流轨迹（Voltage-Current,V-I轨迹）的融合。以融合的多模态特征作为新的负荷特征,利用卷积神经网络和反向传播算法实现负荷识别。该算法基于事件的稳态特征实现,解决了高频数据传输压力大和占用存储空间大的问题。针对样本不足或类间样本不平衡的问题,使用数据增强算法获得几何级数的增强样本,使识别准确率提高了18%。通过多数据集消融试验分析负荷分解准确性,验证了所提模型及算法。鉴于非侵入式负荷分解在设备运行状态的监测方面有良好的表现,进一步将NILD技术应用于电动自行车蓄电池充电行为的监测。考虑蓄电池与其他电器的V-I轨迹和额定功率的差异,提出利用自动编码器训练深度神经网络,根据两类电器重构误差的差异实现对蓄电池充电行为的辨识。算例分析表明,所提模型监测蓄电池充电行为的准确率达到98%,场景迁移能力优于融合特征NILD算法,而基于滑动窗口的Seq2point模型无法实现对蓄电池充电行为的监测。