非侵入式负荷监测系统作为电力用户需求端重要的数据信息分析系统,其识别结果不仅可以及时反馈用户,指导用户合理用电,也有利于电网公司进行智能电网系统规划、用户负荷优化管理。非侵入式负荷识别技术的研究对实现电力公司和电力用户的双向互动具有积极作用。因此,非侵入式负荷识别技术具有重要的研究价值和现实意义。本文采集了实验室智能电表的电气数据用于负荷分析,对家庭负荷类型进行了分类,依据负荷特性制定了负荷识别总体方法流程。考虑到小功率负荷可能会被大功率负荷掩盖的情况,本文提出了一种新的基于小波变换细节系数二阶差分的负荷事件投切检测算法,通过对功率数据多尺度小波分解,分析小波系数模值的二阶差分结果,实现负荷动作的准确检测。本方法很大程度上避免了常规事件检测方法错检、漏检的问题,也改进了事件检测阈值难以确定的缺陷,通过实验室数据及BLUED数据集验证,算法都具有较好的事件检测结果。本文基本实现了基于多维特征融合的常见电器单负荷识别。本文关注负荷特征的分类和选择,基于小波事件检测结果对负荷进行暂态分离,确定了负荷暂态时间周期,对用电设备稳态典型特征、暂态典型特征进行归纳和计算,提出了非典型特征的概念,包括小波熵特征等。利用主成分分析对高维特征进行降维,并运用自主定义聚类数目的社团聚类算法对单负荷进行识别,算法结果显示,实验室采集单负荷能实现全部识别。最后本文针对实验室采集多负荷运行数据建立了基于MLP神经网络的非侵入负荷识别模型,确定多标签识别有效性评价指标,根据评价指标对算法识别准确率进行分析,并且提出了一种结合事件检测结果对多负荷运行顺序进行排序的方法。结果表明,本文使用的MLP神经网络识别模型具有较高的多负荷识别准确率,也能较为准确地判断多负荷动作顺序。