智能电表可以帮助用户深入了解能耗和生产,如果消耗量很大,这些智能设备可以向用户发送警告,帮助用户改变生产用电习惯。但是由于目前智能电表的数量很少,因此无法测量所有的消耗量,用户也无法基于这些测量来改变其用电习惯。该问题的解决方案是为用户提供所有设备的能耗数据,而这要求每个设备都需要一个单独的功率计,意味着设备安装成本大量增加。为了解决上述问题,我们可以在电力入口处安装一个监测设备,通过对总的用电功率信号进行分解得到单个设备的用电信息,该信号通过智能电表反馈给用户。这项研究工作解决了能耗分解问题,这种研究方法称为非侵入式负载监控(NILM)。在智能电表问世之前,迄今为止还没有算法可用于精确分类能源消耗,而精确的能源分解是深入了解设备能源消耗的关键。精确的负载监控可以使用Smartphone应用程序检测老化的电器,并建议用户用新型号电器更换老化电器节省能源。NILM还有其他可能的应用程序,可以检测设备的故障或需要修理的设备,例如冷冻机,有时需要除冰以节省能源。随着可再生能源的到来,能源的供应率开始波动,电能的价格也将波动。当人们对不同的电器有深入的了解时,他们可以在用电高峰时关闭它们,以确保电价低廉。简而言之,NILM对调节电力供需平衡非常有益。智能电表越来越成为西方家庭的标准,因此基于智能电表收集数据的NILM方法是可行的。将用电设备通过隐马尔可夫模型建模,住户则通过超状态隐马尔可夫模型或阶乘隐马尔可夫模型建模。这些模型通过迭代K均值或期望最大化来训练,其中迭代K均值被证明是一种高级训练方法。本文研究了三种分解算法:维特比算法,粒子滤波器和新提出的全局最小化过渡(GTM)。分解算法在6个设备的综合数据集以及荷兰住宅能源数据集(DRED)的一部分上进行了测试。在综合数据集上,GTM的准确性为81%,Viterbi算法的准确性为95%。在DRED上,粒子过滤器的最高分解精度为77%。结果表明,在考虑实际数据时,并不总是通过增加粒子数量来提高粒子过滤器的精度,本文通过使用时间信息数据以及通过使用无功功率作为额外输入数据来改进分解算法。但是,这两种方法都不会导致更准确的分类结果。最后提出了一个新的建模框架,将状态转换也包括在模型中,作为未来的研究主题。