随着国家电网提出了建设泛在电力物联网的战略目标,用户内部设备的信息的感知和获取是提供智慧新业务的基础,而非侵入式负荷监测技术则是可以实现这一目的合适的智能感知方案。非侵入式负荷监测指的是将在用户总进线处获得的功耗聚合数据分解为各个电器设备运行功耗的技术。本文研究了两种不同类型的非侵入式负荷监测算法;基于事件的和基于状态的。针对于基于事件的非侵入式负荷监测算法的四个环节(事件检测、特征提取、负荷识别和能耗分解)提出了基于机器学习的不同的算法,并且都通过场景实验和公开数据集BLUED和ECO验证了算法的有效性。另外,本文还以隐马尔可夫模型为例研究了基于状态的非侵入式负荷监测,以探索两种不同类型方法的优劣势以及适用情况。整篇文章的工作具体由以下三部分组成。首先,本文针对基于事件的非侵入式负荷监测的事件检测环节提出了一种混合事件检测方法。它利用了多个不同方法的事件检测器以解决噪声对于事件检测的干扰。经过算例和实验分析,它比单一的事件检测方法在复杂的场景具有更好的检测效果。其次,在基于事件方法的负荷识别和能耗分解的环节中,本文分别提出了一种基于DBSCAN的无监督负荷识别方法和一种基于运行时间窗口的能耗分解方法。基于DBSCAN的无监督负荷识别方法在聚类的过程引入了对噪声的考虑,并将设备划分为周期型设备与用户驱动型设备。而基于运行时间窗口的能耗分解方法用以解决修复在能耗分解中被遗漏检测或是错误识别的事件产生不良影响。这两个算法的有效性都通过在公开数据集下得到了验证。最后,本文以隐马尔可夫模型为例,研究了基于状态的非侵入式负荷检测。通过实验,比较了它与基于事件的方法在不同采集频率下的监测效果,分析出它们分别适用的场景。