随着科学技术的发展,人类对电能资源的利用逐渐深入,越来越多的电器融入到人们的生产生活当中,随之而来的是大家对电能合理利用与有效节约的关注。并且,泛在电力物联网建设的提出进一步推进物联网与智能电网的深度融合,对感知层智能电表的智能性有着更高的要求。非侵入式负荷监测作为高级测量体系中的关键一步,能够实现对用户侧用电行为习惯的精准捕捉,服务于用户及电力公司。其任务是通过总线特征实现对每个电器的状态识别。反馈结果以优化能源使用计划,降低居民用电成本;并为电网优化调度、需求响应等提供参考。本文介绍了非侵入式负荷监测的基本技术,基于REDD数据集的家庭用能数据分析常用电器的用电模式,行为习惯,事件特征,并对基于状态的非侵入式负荷识别算法进行了改进。传统的基于状态的方法主要以聚合后的总负荷为特征识别电器状态,当有电器的状态发生变化时,识别结果之间缺少关联关系。本文首先构造了基于人工神经网络的负荷识别模型,得到基于状态的识别结果;然后搭建事件检测与识别模型识别状态切换,最终构造合理的决策方法确定事件发生后的电器状态。实验结果表明,本文提出的模型相较于传统方法能够有效提高识别准确度。从实际使用便捷程度来说,越脱离人工参与的算法则越容易为大众接受,这也是非侵入式负荷识别算法的一个发展趋势。为了降低人工标记数据的工作量,本文将半监督的算法应用到改进的模型中,包括自训练算法与协同训练算法。同时采用半监督聚类、标签传播方法实现多状态电器事件识别。实验结果表明相对于有监督算法,半监督算法的准确度有所欠缺,但是对于少量标签数据来说能够提升识别准确度,提高模型泛化性能。