智能用电作为坚强智能电网的关键部分,能实现电网和用户的灵活双向互动。负荷监测是智能用电的一个重要环节,一方面可以引导用户改善用电习惯,节约用电成本,另一方面能够帮助电网深入分析用户用电行为,对负荷调峰及节能减排具有重要的现实意义。目前负荷监测技术多采用侵入式设计,即在负荷设备上安装数据采集装置,与传统的侵入式负荷监测相比,非侵入式负荷监测技术只需要在用户电力入户处安装负荷监测装置,即可将用户总负荷分解为独立负荷的用电信息,进而获取负荷的工作状态、能耗情况,具有成本低廉、安装简便、经济性好、可靠性强、适合在线监测等优势。针对目前低频非侵入式负荷分解中部分负荷电器存在特征重叠的问题,本文从功率、概率、时间三个维度开展了对非侵入式负荷分解方法的研究。首先,给出了非侵入式负荷分解的基本框架,对后文将用到的遗传算法原理进行介绍;其次,提出了一种考虑状态概率因子的非侵入式负荷分解方法。在传统功率特征的基础上将状态概率因子(state probability factor,SPF)作为新特征引入目标函数,通过改进的多目标遗传优化迭代实现负荷分解,对分解结果进行异常状态修正。在AMPds数据集上对算法性能进行了评估,仿真结果显示上述方法可有效提高负荷分解的准确性。最后,提出了一种考虑分时段状态行为的非侵入式负荷分解方法。对预先获取的电力数据进行mean-shift聚类,构建负荷不同状态下的功率模板,提出一种不需要指定时间段个数的负荷典型行为时间段智能寻优方法,分时段提取负荷状态行为规律,构建负荷行为模板,综合考虑负荷设备的功率、概率、时间三重因素,将分时段状态概率因子(time-phased state probability factor,TSPF)作为负荷新特征引入目标函数,使得负荷状态组合方案在相应时间段下达到功率误差较小,组合概率较大,从而实现不同用电场景下功率相近或小功率负荷设备的准确识别,提升整体的识别精度。