家庭环境中,电力需求侧的用户用电行为的识别和反馈是提高终端用户环保意识、节能减排的重要手段,目前已经引起了国内外学者的广泛研究。现有的已搭建的智能环境对家庭中的行为识别存在一些缺陷,选用侵入式的设备使得用户难以接受,采用非侵入式设备的识别方法识别精度不够高。针对以上问题,本文采用了更加合理的数据获取方式,对用户的行为建立了本体模型,并使用改进的隐式马尔科夫模型做为行为识别方法。本文的主要研究内容如下:(1)针对行为识别系统采样方式的用户接受度低,行为识别主要采用已有的数据集,没有考虑实际情况下数据发生的错误和丢失问题,设计了智能插座采样电器的负载数据进行行为识别,提出了负载数据验证和融合两种曲线拟合方法的LBboosting算法来修复数据。算法通过核极限学习机学习了家庭电路损耗的特点,用总分端的功率关系相互验证和修复数据,实验结果证明LBboosting算法修复性能好于拉格朗日插值和B样条(b-spline)算法,数据的缺失对识别性能有重要影响,数据质量的保证提高了行为识别的精度。(2)针对目前识别精度不够高的问题,加入室内无缝定位模块,建立了用电行为本体模型,并利用其中的领域知识定义了一个概率矩阵,将本体知识结合二阶 HMM (Second-order Hidden Markov Model,HMM2),提出了基于知识和数据混合驱动的识别方法HMM2K,与经典的识别方法NB (Naive Bayes)、HMM (Hidden Markov Model)进行了对比,实验结果表明HMM2K缩短了训练测试时间,识别精度也要好于其他方法。(3)针对目前能源反馈中设计思路过于主观,对耗能行为改进无明确指导,评价方法模糊的问题,提出了行为导向的交互反馈模型EnergyAction。该模型利用焦点上下文(focus+context,F+C)技术突出焦点对象来帮助用户改进行为,并使用奥兹原型(Wizard of OZ)设计测试我们的能量反馈原型。提出了行为改进值的评价标准,相比于传统的仅仅依靠电能节约率来评价行为改进更加有效。