居民用户用电状态的监测与分析能为用户侧需求响应、能效管理、精细化用电服务提供数据支撑。非侵入式负荷监测(Non-Intrusive Load Monitoring,NILM)是实现用户负荷状态监测的重要技术手段。因此本文旨在基于现有的用电侧负荷数据,从负荷特征提取、负荷分解方法两个方面实现居民用电的非侵入式负荷监测并且基于NILM对居民负荷短期预测进行了研究,具体内容如下:电器投切事件探测是负荷特征提取的前提,针对现有事件探测算法存在阈值选取困难的问题,运用功率比算法进行事件探测,对算法的控制参数——窗口宽度进行了讨论。针对部分电器负荷特征重叠的问题,从时域、频域角度提取负荷的稳态特征,对不同电器的同类负荷特征的相似性进行量化,将有功功率、无功功率、电流幅值、谐波畸变率作为模板特征建立负荷特征数据库。针对负荷分解中使用单特征寻优存在识别率低的问题,基于模板特征,建立多负荷特征目标函数优化模型,运用差分进化算法(Differential Evolution,DE)进行负荷分解。考虑到DE存在早熟收敛后期进化慢等问题对DE的变异策略进行改进。针对数学优化的负荷分解模型未考虑多状态电器运行的问题,建立因子隐马尔科夫(Factorial Hidden Markov Model,FHMM)的负荷分解模型,使用维特比算法进行模型的求解,同时针对维特比求解时算法复杂度较高的问题,结合情景上下文信息对状态空间以及状态转移路径进行约束降低维特比算法的复杂度。基于NILM对居民负荷的短期预测进行了研究,首先对单个电器的日负荷序列进行预测,然后将所有电器的预测负荷相加,得到预测日的总负荷序列。考虑到气象因素对预测的影响,将气象因素和负载设备的日负荷序列进行关联分析,根据分析的结果筛选负荷预测的特征量,最后基于BP神经网络分别建立各负载设备的负荷预测模型。针对BPNN收敛速度慢的问题,结合改进DE对网络的参数进行寻优,将反向传播误差函数作为目标函数,对网络的权值和偏置进行优化,将优化后的参数作为网络的初始参数,提高负荷预测模型的准确性。