通过总负荷数据分解出各电器的运行状态是实现高效互动智慧用电的关键环节。由于多状态电器的使用加大了数据的分布范围和收集的难度,降低了现有方法的分解精度。并且传统物联网架构无法满足海量负荷数据高速的传输需求。本文研究面向智慧用电的负荷监测关键技术,从电器状态划分,负荷分解以及智慧用电系统设计三方面解决上述难题,具体内容如下:针对传统K-means算法在进行聚类的过程中,其中心点选择的随机性会增加算法的不确定性,导致电器运行状态划分结果偏离实际分布的问题,在K-means聚类算法的基础上,提出一种多特征加权聚类算法。首先引入邻域密度的概念确定聚类中心点,其次结合多角度算法提取不同视角下的特征,最后通过集成加权的方式实现聚类结果的融合,从而归纳了当前用电设备的运行特点。由实验结果可得,提出的多特征加权聚类算法能够有效提取出大功率电器冰箱与微波炉的功率波动并且划分为新的类簇,并且对于小功率电灯各状态的划分更为细致,相较于传统算法总体上有显著的提高。针对长短期记忆网络在处理长序列数据上容易出现序列信息丢失,导致负荷分解效果不理想的问题。提出一种改进残差网络与融合自注意力机制的长短期记忆网络混合模型,即改进Res Net混合模型。首先在残差网络结构中增加池化层,实现负荷数据的压缩,并将获取到的向量传入长短期记忆网络。其次为了更好保留负荷数据特征,在长短期记忆网络中加入自注意力机制,增加重要特征信息的权重,进一步提取负荷特征,进行分类训练。为了验证该模型的优越性,构建了两种对比模型进行消融实验。由实验结果可得,所提的混合模型相较于对比模型的分解准确率平均升高6.19%和4.59%,具有更好的分解效果。针对传统泛在电力物联网无法满足海量负荷数据传输以及处理需求的问题,提出一种结合5G通信技术的智慧用电系统,通过感知层、网络层、平台层和应用层的相互配合实现了对电网公司的电力营销智能管控以及异常用电检测,促进电力公司与用户的利益最大化。