近年来，随着电网配电侧智能化和信息化的进一步推进，非侵入式电力负荷监测(Non-intrusiveloadmonitoring，NILM)技术成为当前智能电网研究的热点问题。以国家电网、南方电网等为首的电力公司正逐步试点推广具备负荷感知功能的智能电表，加快智能量测体系的建设进程。然而，在现有的辨识算法中，常用的电力负荷特征已经很难提升辨识准确率，准确率有限的问题成为了非侵入式负荷监测研究的技术瓶颈。
　　本文首先从家庭负荷特征建模入手，挖掘居民用户用电行为机理，构建一种用电行为信息模型。同时，针对多源信息与用电行为的内在关联性不确定的问题，提出一种泛化性较好的居民用电概率化建模方法，并以实际家庭负荷数据为例分析有功功率、无功功率电气特征以及开启时段、天气、温度等用电行为关联特征，结果表明部分用电行为特征与用电行为关联性较强，为此需进行特征选择。
　　其次，针对用电行为关联特征的提取与选择，在利用已构建的负荷特征模型上，提出一种基于标准化互信息的关联特征选择方法，以降低负荷特征的维数以及进行特征重要度评价。在AMPds公开数据集实际案例上进行验证，实验结果与随机森林特征重要度排序的结果进行比较，具有较好的一致性。
　　最后，提出一种极度梯度提升树(ExtremeGradientboost,XGBoost)超参数优化方法，深入探讨极度梯度提升树算法中各参数的作用，并引入基于混沌粒子群(ChaoticParticleSwarm Optimization,CPSO)的智能搜索方法，通过对混沌粒子群加入惯性权重，增强算法参数的寻优能力。同时，设计了对极度梯度提升树的超参数进行调整的优化流程。以AMPds公开数据集为例，验证关联特征提取与选择方法带来的精确率的提升，并与传统机器学习方法进行比较，验证本文所提方法的性能优于现有的一些负荷辨识算法。
　　非侵入式电力负荷辨识是一种利用“软计算”代替硬测量的技术，负荷辨识算法决定了其最终性能的优劣，本文搭建了一种用户用电行为关联信息的负荷辨识模型，大大拓展了负荷辨识的特征范畴，为研究新一代的负荷辨识算法提供了模型，并为非侵入式负荷监测技术的推广应用提供了理论基础。