电能是当今人类赖以生存的重要二次能源,如何高效地管理和使用电能是人们一直关心的问题。随着技术水平的不断发展,传统电网已完成了向智能电网的转变,并逐步向能源互联网的方向迈进。充分了解用户的电能消耗行为是电网公司构建用户画像、制定需求响应政策,以及优化电网调度的基础。传统的负荷监测是通过电表读取家庭电力总线上的电量信息,但是不能深入分析家庭内部负荷构成。通过在插座上安装智能终端采集各用电器的使用信息可以获取设备级用电数据,但这种方法成本高、可操作性差、用户认可程度低。因此,通过总线上的电气状态数据进行非侵入式负荷监测成为研究热点。本文研究了有监督和无监督两种算法。在有监督算法中,首先分析负荷数据特点提取低频和高频两种特征,其次使用长短期记忆网络训练模型,分析不同特征对识别结果的影响,最后在公开数据集和自采数据集上验证算法精度。实验结果表明,本文建立的模型能提取数据中时序特征从而提高模型准确度,尤其是在增加高频特征后模型准确度提高更为明显。针对现实应用场景中难以在模型训练时大量对数据打标签的问题,本文将非侵入式负荷监测问题转化为组合优化问题,通过群体智能寻优来识别电器工作状态。此方法无需训练,拥有更强的实用性,但是精度不及有监督算法。此算法融合了现有两种群体智能算法的优点,拥有更高的寻优精度,无监督学习的方式也更适合推广应用。综合上述算法研究的结果,本文设计并实现了智慧用能管理系统,包含数据采集、用电器工作状态识别以及历史用能分析等多种功能,是将非侵入式负荷监测实际应用的探索性尝试。该系统未来可以拓展需求响应能力评估、设备状态评估等功能,是用户和电网公司信息交互的重要纽带,有助于推动能源网络和信息网络的深度融合。