电力公司在对用户用电负荷的类别和用电数据的分析中,能够预测用户的电能使用情况,进行智能配电,也能够设置动态电价影响用户的用电行为,最终改善电网的稳定性。传统获取用电负荷的类别和用电数据的方法是在每个负荷上都安装数据传感器的侵入式方法。安装大量的传感器导致其成本高、工作量大、维护难度大等缺点。为了克服以上缺点,研究人员提出了通过分析家庭供电主线上电气数据来检测与识别家庭内部用电负荷种类和其用电数据的非侵入式方法。本文提出新的事件点检测算法,应用新的多分类机器学习算法在非侵入式的负荷检测识别中。首先,建立了一个实验室数据采集平台,模拟家庭所用电器设备,及其用户端的入户火线传感器来实现数据的采集,达到非侵入式电能负载的识别的模拟。通过分析,发现线上数据REDD与实际测得的数据真实性一致,且其数据量大,具有可信性,本文最终选择使用线上数据集REDD。通过对数据集里10种负荷开启和关闭过程电气数据的比较分析,参考该领域学者提出的其他方法,本文提出基于滑动窗的简化BIC算法来识别负荷的开启点和关闭点,该算法识别的正确率在97%以上。其次,对REDD数据做进一步的分析,确定了本文识别的对象是10种负荷的27个不同稳态,并提取了282组稳态过程数据做为样本。通过对稳态数据的观察比较,结合信号处理领域的相关理论,本文决定将小波包分解应用于负荷识别的数据特征提取。结合信息熵的概念,从小波包分解系数中,提取到负荷稳态数据的时域、频域和时域与频域相结合的特征,再加上原信号的一些基础时域特征,最后确定了用于负荷稳态过程识别的35种特征。然后结合相关系数分析和主成分分析,将35种特征精简到13种,建立负荷的特征库。最后,针对本文的分类对象和特征的数量,通过阅读机器学习领域关于解决多分类问题的文献,选择了增强随机森林的分类方法。为了实现与传统随机森林的对比,本文将282个样本数据集按照训练集和测试集7:3的分配比例,分别用于算法的训练和测试。同时通过测试集的预测结果对算法的两个超参数进行实验性寻优,最终算法在测试集上面的最高准确率达到了96%。最后将本文的算法进行整合,在REDD未使用的数据上和在单个负荷和多个负荷混合情况下对算法的识别效果进行实验验证,最终得出负荷识别的准确率在89%左右。本文的创新点:一、通过滑动窗与BIC算法的简化与结合,提出了能够集合两种算法优点的基于滑动窗的简化BIC算法。二、运用小波包分解,对负荷稳态数据进行时域、频域和时频域的更精细更深层的特征挖掘。三、将增强随机森林算法应用于负荷识别,并获得较好的识别效果和较快的识别速度。