近年来,电动自行车已逐渐成为城镇居民短途出行的主要交通工具,随之而来的问题是电动自行车充电引发的火灾事故数量也呈现出快速增长的趋势。为了有效治理电动自行车充电引发的火灾事故,公安部和多省市陆续出台相关法规,要求规范电动自行车停放充电,严厉查处电动自行车违规停放充电行为,及时消除安全隐患。然而人力巡查效率低、成效差,随着负荷监测技术的快速发展,非侵入式负荷识别为电动自行车违规停放充电监测问题提供了新的解决思路。本文基于非侵入式负荷识别技术框架,针对电动自行车充电负荷型号多、功率低和特征不明显等特点导致的传统负荷识别方法准确率偏低的问题,在特征选择、事件检测、特征提取和负荷辨识算法等关键环节进行改进和创新,并通过实测数据算例进行验证。本文的主要研究过程如下:首先,从构成元件和工作原理出发,分析电动自行车充电负荷电流特性,搭建居民负荷数据信息采集平台同步采集电器电压、电流数据,从时域、频域和轨迹等角度计算量化负荷特征,包括PQ特征、电流特征、V-I轨迹特征和谐波特征等6大类共15种特征,并根据实测数据比较典型电动自行车充电与常见家电负荷特征差异。其次,为了筛选出高区分度、低冗余度的负荷辨识特征子集,采用半监督Fisher计分方法充分挖掘半监督样本集信息,度量负荷特征区分度,通过最大信息系数度量负荷特征间冗余度,建立负荷特征排序多目标优化模型,通过贪婪算法对模型求解。研究发现特征选择移除了无关或冗余特征,提高了辨识效果,同时节约了计算成本。然后,考虑到电动自行车充电负荷投入时采样信号变化较小,通过累积和算法提高事件检测的灵敏度,为了避免电动自行车充电负荷投入时的暂态电流脉冲或噪音干扰,引入多功能复合滑动窗降低事件检测误检率,从而提出了一种基于复合滑动窗的累积和事件检测方法;检测到事件后,基于负荷叠加与分离原理,并以电压过零点为参考点,分离出新投入的独立负荷稳态电流波形,并提取负荷特征形成待辨识负荷样本;根据实测数据构建不同负荷水平下的多个场景算例,结果验证了方法的有效性。最后,研究了支持向量机分类器原理并推广至一分类模型,提出了基于一分类支持向量机的非侵入式电动自行车充电负荷辨识算法,结合增量学习方法与多核协同训练思想拓展分类器主动学习能力,算例证明该方法有效解决了初始分类器对于陌生型号电动自行车负荷样本辨识正确率较低的问题;结合本文方案技术要求和应用功能需求,设计并开发非侵入式电动自行车充电负荷辨识装置,实现数据采集、事件检测、特征提取、负荷辨识和报警等功能,具有一定的实用意义。