非侵入式负荷监测技术可以在不侵犯用户隐私的条件下，帮助电力用户了解自身的用电行为，助力电力公司指导用户合理响应需求侧管理，从而有效挖掘互动潜力。随着泛在电力物联网的不断建设与推广，电力用户将进一步与电网进行更友好、更紧密的互动，因此在未来非侵入式负荷监测技术将会获得更大范围的应用。为了提高非侵入式负荷监测的准确性与可推广性，本文开展了一种面向边缘计算框架的非侵入式负荷监测技术研究，研究工作分别从技术本身以及技术应用方法两个角度展开，具体研究工作如下：
　　（1）研究面向边缘计算框架的非侵入式负荷监测技术基础。首先结合边缘计算框架的特点详细阐述了适用于该框架的非侵入式负荷监测技术路线；然后对该技术所面向的负荷设备对象进行了分析与分类；接着基于技术环节构建了用于负荷设备运行数据采集与算法验证的试验平台；最后设计了针对非侵入式负荷监测实施效果的评价指标。
　　（2）提出一种基于贝叶斯迭代的非侵入式负荷事件检测方法。该方法首先基于观测变量的后验概率构建事件检测模型；接着采用贝叶斯迭代算法对模型进行求解；最后结合负荷监测的应用实际优化了模型求解速度。
　　（3）提出一种基于设备运行状态挖掘的非侵入式负荷分解方法。该方法首先在负荷事件检测结果的基础上提取功率特征，在特征平面内基于Mean-shift聚类算法获取表征不同类型负荷事件的聚类簇；接着在聚类簇间引入ZLSC约束并基于GSP算法从功率和时间维度挖掘出表征设备运行状态的负荷事件对；最终将挖掘出的设备运行状态与数据库中储存的设备模板进行匹配实现设备识别，从而完成负荷分解。
　　（4）提出一种面向边缘计算框架的非侵入式负荷监测技术应用方法。该方法首先基于现有的低压电力用户用电信息采集系统构建适用于区域级用户非侵入式负荷监测任务执行的边缘计算模型，在该模型中每个居民用户的非侵入式负荷监测任务可以灵活地在本地节点或边缘节点处执行；接着分析了执行任务所对应的能效代价；最后基于深度神经网络以优化执行完区域内所有任务所需耗费的能效代价为目标生成任务分配策略。