智能电网和节能减排是实现我国电网智能化的重要手段和要求,实现电力系统的实时监测是电网智能化的重要标志,非侵入式负荷分解的技术便应运而生。当下我们又处于一个“大数据”的时代,各行各业都在寻求利用大数据技术进行分析和决策的手段,尤其是伴随我国电力系统数据采集系统的不断完善,我们每年累积的电力数据将达到PB(2⁵⁰字节)级。所以将大数据技术运用于非侵入式负荷分解问题的研究势在必行。本文提出了用大数据技术分析非侵入式负荷分解问题的方法,主要内容包括:（1）对数字信号进行了降噪处理。在数据采集过程中,由于各种原因导致的采集到的信号掺杂噪声,将对分析结果造成影响,本文选用了小波去噪的方法对电信号进行降噪处理,通过大量实验验证,选取了最优的小波去噪参数,获得了最佳的去噪效果。（2）对稳态过程非侵入式负荷分解。本文的稳态过程定义为电力系统内无负荷投切动作发生的过程。采用了基于非事件的检测方法,将分解过程分为训练和测试两部分。通过决策树算法能够准确识别出单种负荷运行下的负荷种类。提出了一种基于线性约束条件的最小二乘算法,能够准确计算多负荷组合运行情况下的各种负荷的含量。（3）对暂态过程非侵入式负荷分解。本文的暂态过程定义为由于负荷投切导致电力系统由一个稳态过渡到另一稳态的过程。研究采用了基于事件的检测方法,将分解过程分为训练和测试两部分。选取了13个参数作为表征不同负荷特征的负荷印记,提出了一种基于Min-Max标准化的PCA方法对高维特征空间进行降维。利用K-means聚类算法将负荷划分为不同种类,用决策树算法识别不同的负荷暂态过程,精度达到87.5%。（4）对暂态过程非侵入式负荷分解进行了深入研究。为改善暂态过程的识别精度,将随机森林算法作为一种“强分类器”用于负荷暂态过程的识别。同时提出了一种基于最大距离初始聚类中心的K-means改进算法,避免了由于随机选取初始聚类中心导致的陷入局部最优的结果。最终暂态过程的识别精度达到100%。论文利用实验室采集的数据对所提出的稳态过程非侵入式负荷分解方法进行了验证;利用卡耐基梅隆大学公开的BLUED数据集对所提出的暂态过程非侵入式负荷分解方法进行了验证,实验结果均证明了方法的有效性。文章的最后对本文的工作进行了总结,对后续的研究工作进行了展望。