针对能源革命与数字革命相融合为特点的第四次工业革命,国家提出加快推进以信息科技为支撑,推动实现经济社会数字化转型的新型基础设施建设。电力系统建设的新方向是将现代化、信息化、数字化的技术方法与智能电网和互联网相结合,以达到能源与信息的互联互通,使电力服务体系的服务更加优质,运行更加稳定的目的。非侵入式负荷监测（Non-Intrusive Load Monitoring,NILM）作为客户侧泛在电力物联网（Ubiquitous Power Internet of Things,UPIo T）的重要技术之一,不仅有利于电力公司强化负荷管理,还可以引导用户合理安排负荷的使用,为实现以家庭电力用户为主体的需求侧响应和满足居民用户对精准精益用电服务需求提供重要的技术支撑。本文针对现有非侵入式居民用电负荷监测缺乏对未知独立负荷全面的分解方法,导致用电信息的准确性得不到保证的不足,以及非侵入式负荷辨识中低频采样下信号分辨率低的问题,围绕负荷分解算法和负荷特征的提取以及负荷辨识算法展开研究,主要工作如下:首先,对非侵入式负荷监测技术进行了探讨,合理选择非侵入式负荷监测方案;针对非侵入式负荷监测模式下监测得到的负荷功率为非平稳的随机性一路信号,且是各路未知独立源功率信号的叠加,提出了一种基于集合经验模态分解和Pearson-PCA改进的盲源分离算法,基于传统的稳态特征和暂态特征,选取Hilbert时频谱能量特征作为负荷辨识的负荷特征。其次,利用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）结合Pearson相关系数和主成分分析法（Principal Component Analysis,PCA）对总功率信号分解及降维,消除经验模态在分解过程中易出现模态混叠的现象;在此基础上,估计源信号数目,将单通道盲源分离问题转换为多通道盲源问题,并运用快速独立分量分析（Fast Independent Component Analysis,Fast ICA）计算出源功率信号。采用能量分解数据集（Reference Energy Disaggregation Data,REDD）进行实验仿真,实验结果表明:在不同用电场景下和不同的家庭中,提出的改进算法均具有较好的分解效果。最后,对源功率信号进行EEMD分解并筛选有效的固有模式函数IMF,提取每个IMF的Hilbert时频谱能量特征作为负荷特征向量,建立负荷特征库,采用粒子群优化（Particle Swarm Optimization,PSO）的支持向量机（Support Vector Machine,SVM）构建分类器以实现家居负荷辨识。采用REDD进行实验仿真,验证了该方法的可行性、有效性和泛化性。