节约能源是当今世界的一种重要社会意识。有效的能源管理办法可以帮助减少能源的损耗。智能电网的普及和智能家居的发展,有效地提高了电能的利用效率,促进了节能减排和可持续发展战略的实施,同时也保证了供电的安全和可靠性,帮助用户的生活更加智能和便捷。然而,由于传统的智能家电、智能插头等侵入式负荷监测系统在时间和投资上的花费巨大,更为经济有效的非侵入式电力负荷监测研究逐渐兴起。非侵入式电力负荷监测技术通过对总负荷的用电情况进行监测和分析,得到单个用电器的运行情况,硬件设施简单,而且便于安装、切除和维修,对于电力公司、政府部门、设备制造商等各个行业以及用户群体来说,都具有广泛的价值。本研究针对目前人们对非侵入式负荷监测的应用领域关注度不够的问题,提出了一种对家用配电箱中分支电路的功能进行识别,进而实现用户行为异常检测的新想法。基于该想法,本研究利用一款新型的非侵入式负荷监测装置Smart DB,对一个实验家庭进行电力数据的采集。并根据Smart DB可以同时监测家用配电箱中10条分支电路用电情况的特性,从用户日常活动的角度,将家用配电箱中的多条分支电路按功能划分为7个类别,然后对各条分支电路的功能进行识别。为了提高识别算法对不同家庭的泛化能力,本研究将实验数据与其他研究小组发布的几个公用数据集进行整合,并选用支持向量机、决策树、随机森林以及极值梯度提升四种分类算法分别对数据集进行训练和建模,最终验证了集成分类器对比于单分类器的性能优势。之后通过对比详细分析了随机森林与极值梯度提升两种集成的分类算法对每个类别的分类效果。在识别出各条分支电路功能的基础上,本研究选取了其中两条分支电路的实验数据,结合PCA降维、K-均值和孤立森林三种算法对实验家庭的饮食行为和洗澡行为分别进行了模式学习和异常检测。找出了该实验家庭中饮食行为和洗澡行为的规律性,并检测出这两种行为模式中出现的异常情况。为了验证该异常检测算法的实用性和适用性,将最终的异常检测结果与实验用户提供的活动记录日志进行了对比和分析。从而得出结论,该算法检测出的异常点在一定程度上能够提醒用户有关安全、健康或者利益等方面的问题,帮助用户提高生活质量。