在当前的全球生态环境和能源经济议题中,能源管理是关注的焦点。通过人为主动调控从而减少能源消耗的有效方式之一是NILM（Non-Intrusive Load Monitoring,非侵入式负荷监测）,其目标是将家庭总用电量的智能电表读数分解为该家庭每一个单独的用电器功耗曲线（设备激活）。现今,机器学习方法被广泛用于解决NILM问题,但是它们需要大量带标记的单个用电器耗电量（设备签名）,而这些数据并不容易从电表中获得,标注过程也往往采用人工手动标注方式,非常费力耗时,不甚精确且低效。该领域的杰出人物Jack Kelly早期提出的解决方法受用范围十分有限,存在设备激活不完整、激活重叠、含离群值等问题。为此,本文提出了三种可伸缩的、基于时间序列相似性搜索技术的方法:第一种方法Cartesio是一种快速便捷的自动化设备激活标注方法,通过分别检测设备激活具有代表特性的开始阶段和结束阶段曲线,解决了此前方法精度低的问题。第二种方法Valm A是一种通过矩阵概要文件来识别未知的、可变长度的候选设备激活的方法,该方法基本无参数,鲁棒性高。第三种方法Sim BA是一种快速精确识别出已知设备激活的方法,它在单一设备或多设备混合情形下,在Cartesio及Valm A结果的基础之上通过聚类过程将设备激活归类,利用提取的激活重心来高效检测出大型数据集中的已知激活,以达到最终的电力需求分解目的。此外,为了更加客观的比较这些方法,本文还提出了一种新的评价准则,该准则在已有准则的基础之上同时考虑了单个设备激活结果的特性,以获得更精确的性能评估结果。在真实数据上测得的实验结果表明,与现有解决方案相比,本文提出的方法可提高设备激活提取的准确性和鲁棒性,并能稳定运行在大规模低频电力数据时间序列中。