在我国,随着智能电网的广泛普及和智能家居融入广大群众的生活,研究用户用电行为分析技术不仅能够有效节能,改善能源利用效率,促进国家节能减排,而且能够提取电器设备的用电情况,反应用户生活细节,挖掘很多具有商业价值的数据信息,对电能领域的能源利用效率以及电力系统智能化具有十分重要的意义。论文从数据的通用性、研究成本、方案的实用性、分解算法的准确度和效率五个角度研究基于人工神经网络低频数据集电能分解算法的用户用电行为分析技术。论文主要贡献有三点,一是通过研究原始数据的电能消耗数据特征,使用数据段去重和小波降噪的方法对原始数据进行预处理,提高了电能分解算法的准确度和效率。二是改进了两种负载特征提取算法,第一种是基于快速搜索和查找密度峰值(Fast Search and Find of Density Peaks)的二次概率聚类算法,算法解决了FSFDP聚类算法在提取负载电器特征矩阵时碰到的无法自适应聚类问题,解决了小特征向量会被大特征向量淹没的问题;第二种是自顶向下的分裂层次聚类算法,能够更加均匀地提取负载电器的特征向量,提高分解算法的准确度。三是提出最大—最小剪枝算法优化电能分解算法,加入时间阈值控制分解时间和测试数据的去重复处理,提高了电能分解算法的效率。论文实验是以电能分解参考数据集(the Reference Energy Disaggregation Data Set)的低频部分为研究数据,结合人工神经网络的分支—稀疏编码算法,对房屋内5-8个小规模负载电器的用电数据做电能分解,电能分解的平均准确度都在75%以上,优于其他基于稀疏编码的算法,数据平均分解时间达到10秒左右,分解效率接近实时。