随着社会的不断发展,居民用户负荷的总量和种类也在不断增长,已然成为电力系统中十分重要的部分。为了使居民用户侧更加合理地使用电能,更好地实现双向互动,电网侧需要对用户用电负荷进行负荷监测与辨识。负荷监测与辨识可以帮助供给侧了解居民用户负荷组成与负荷特性以及用户行为等特征,更好给用户侧提供用电策略。传统的负荷监测辨识方法,是在每个家庭负荷内植入传感器等硬件,获取各个用电器的运行数据,并通过边缘计算分析记录其状态。这种侵入式的监测方法需要耗费大量的经济成本和人力成本,并且需要做大量的宣传才能使用户乐意接受这样的形式,在实际应用中,实现难度比较大,且不同的家电的侵入测量标准难以统一,并且难以满足电力负荷不断增长的需求,因此,非侵入负荷辨识(NILM)方法正在逐渐取代侵入式负荷辨识方法。传统的非侵入式负荷辨识,大部分都是通过在实验室将参与实验的家电的特征都检测好,形成特征库,再进行负荷监测。当发生负荷事件时,则进入先验的特征库里进行事件比对,该种非侵入式负荷辨识相当于验证性的负荷辨识。该方法的准确度较高,但是需要耗费的时间成本和训练成本比较高,需要研究大量的家用负荷的所有状态,并将其都精确记录在特征库里才能实现事件匹配,对于如今层出不穷的新型负荷来说,特征库的维护成本过高,且难以通过检测到事件对负荷的运行状态进行分析,因为该种方法只能检测正常运行状态的负荷,当出现异常状态时,特征库没有相应的匹配事件,无法产生告警信息等。本文提出的实用家庭非侵入式负荷监测与辨识系统是基于非监督机器学习的,其可以克服传统非侵入式负荷的弊端——人工训练成本过高。该系统使用非监督机器学习算法,不需要过多的人为干预,即可从事件中自动分析出事件所属的簇,将其分成具有明显特点的类别,并根据这些类别的不同属性,自动识别该事件是什么类型的负荷。本文还提出基于双滑动窗的事件检测算法,提升事件检测能力,优化聚类结果。本文系统属于无先验经验型系统,可以在家庭负荷启动时就不停监测,并实时更新自身的特征库,对不同的家庭具有较强的适配性,并且能根据家庭的用户行为进行分析,为供给侧和需求侧提供用电信息和用电策略。