随着能源供需间矛盾的日益严峻,供给侧和需求侧需要一同参与、双向互动,以推动能源高效利用,促进坚强智能电网发展。负荷监测作为电网体系中重要一环,有必要深入挖掘数据中的有效信息,拓宽非侵入式负荷分解结果的应用范围。电量监测与用户用能行为间存在一定相关性,非侵入式负荷分解结果可以作为识别用户行为状态的有效依据,这对电网感知用户用能需求、提升服务质量具有重要意义。本文主要开展基于非侵入式负荷分解的用户行为识别研究,提出了一种利用负荷分解结果识别用户行为状态的方法。根据负荷运行状态具有时间规律性的特点,建立了基于长短期记忆人工神经网络的非侵入式负荷分解模型,利用分类算法训练学习负荷监测数据与用户行为间的关联性,建立了基于分类算法和主成分分析法的用户行为识别模型。针对神经网络无长期记忆的特点,本文首先利用长短期负荷神经网络方法,以时间和稳态电流作为负荷特征,提出了考虑用户负荷使用特性的非侵入式负荷分解模型,基于K-means聚类方法建立了 AMPds数据集电流模板库,并通过算例证明了基于长短期记忆的非侵入式负荷分解方法的有效性。为开展基于负荷信息的用户行为识别研究,本文建立了一套家庭负荷监测系统,利用LAN、Wi-Fi和LTE多种通信方式,有效采集了山东省济南市某居民用户的家庭用电信息,具有较小的数据丢失率,奠定了用户行为识别的数据基础。最后本文利用系统采集到的用户数据对决策树、支持向量机和K最近邻算法进行训练,分别建立了不同分类算法下的用户行为识别模型,通过对比不同算法、不同参数设定条件下识别用户行为的准确度,深入分析了各分类算法识别用户行为的优势和不足之处,证明了在选择合适的分类算法情况下利用负荷信息识别用户行为的可行性。