Pecan Street社区内含多个家庭智能电表，电器设备的能耗监测数据，可用于负荷预测，能量管理，非侵入式负荷辨识，以及家庭能量优化调度等目标。数据真实全部来自于Pecan Street社区，可直接使用。

本文非侵入式负荷识别，提取特征，通过神经网络模式识别，混沌矩阵，遗传算法有效地识别出用电设别

非侵入式负荷监测在我国起步较晚，但国外发展比较久，一个新的角度来看待这个问题，用HMM模型解决算法

非侵入式负荷分解代码。。 简单版实现。只是让大家看懂。并理解什么是电力负荷分解。非侵入式电力负荷监测，简单来说，就是通过家庭入口处（就是电表）的各项特征（就是有功，电流，电压什么的），用各种算法来得到家里每个电器的状态（用了没，用在几档）和电器耗电情况（每个电器的负荷运行曲线，或者每天，每月耗电量）。

用于非侵入式负载监控（能量分解）的迁移学习

基于因子隐马尔可夫(FHMM)模型的非侵入式负荷分解,可直接运行，包含真实家庭数据。采用python代码实现的，

基于马尔科夫链的非侵入式负荷分解，采用HMM算法实现对居民内部电器设备用能行为非侵入式追踪。

非侵入式负荷监测（ＮＩＬＭ）是未来电力负荷监测的重要发展方向之一。不同类型电力负荷在投切过程中，通常会表现出独特的暂态特征。据此，ＮＩＬＭ 能够克服利用负荷稳态特征信息进行负荷辨识的局限性，实现对整个变电站、建筑物内部负荷集群的分解与分析。提出了一种信号预处理算法———基于滑动窗的双边累积和（ＣＵＳＵＭ）暂态事件自动检测算法，它能根据相关信号准确检测到负荷投切等引起的暂态过程、发生时刻等重要信息，并触发相关程序把暂态信息记录下来，然后送给后台高级应用程序作进一步处理。算例仿真表明了所述算法的有效性。

非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述非侵入式负荷监测与分解研究综述