泛在电力物联网通过先进的信息通信技术在电力系统的各个环节实现万物的互联与人机的交互,这对供需两侧信息的交互以及数据的深度挖掘提出了更高的要求,需要大量用户数据的支撑。非侵入式负荷监测(non-intrusive load monitoring,NILM)能够为负荷的预测、电力系统的规划以及市场调节提供实时、精确的用户用电负荷状态信息,在负荷监测与用能分析领域具有广阔发展前景。相较于侵入式家居负荷识别,非侵入式家居负荷识别仅需在用户入口处进行负荷数据的采集,降低了经济成本,且兼顾了用户隐私和用户接受程度,更有利于推广。但现在对于NILM研究大多是基于高频采样,对硬件要求较高,且居民用户的负荷数据采集主要从较低的采集频率入手,因此基于低频采样的NILM方法逐渐引起了人们的关注。本文先分析与总结了国内外非侵入式家居负荷识别研究现状与发展趋势,然后探究了非侵入式家居负荷识别的关键问题,并着重对低频采样的NILM方法进行了研究,主要工作有:首先,针对基于低频采样的非侵入式家居负荷识别方法识别精度较低,系统稳定性较差的问题,提出了一种基于改进隐马尔科夫模型(HMM)的非侵入式家居负荷识别方法。该方法运用人工免疫算法和增量学习对传统HMM模型进行双重优化,通过人工免疫算法解决HMM模型容易陷入局部最优的问题,提升了模型的识别精度,再通过增量学习实现了模型参数的自主更新,使得模型能够适应新的环境,提高了模型的鲁棒性。然后,针对HMM模型对训练数据依赖性较强的问题,提出了一种基于自适应强化学习算法的非侵入式家居负荷识别方法。该方法先通过K最近邻(KNN)算法对电器的状态进行聚类分析,得到初始的HMM模型,然后通过自适应KNN强化学习算法对HMM模型进行求解,得到最优状态转移策略,该方法降低了模型对数据的依赖性,提升了模型的识别精度以及对新数据的适应性。最后,通过公开的低频数据集AMPds进行实验仿真,验证了本文方法的可行性。