非介入式负荷辨识技术是一种通过采集用户入口端电压、电流等负荷特征量,对用户负荷进行状态检测和能耗管理的一种技术。其能够为供电部门和用电客户提供细粒度负荷用电信息,合理规划电力系统,减少电能消耗,实现电力资源的科学配置。目前针对非介入式负荷辨识的研究,大多采用合成数据或者公共数据集在实验室进行研究,工程应用性不强,并且针对家庭中重要的电热负荷的细分研究不足。除此之外,细粒度数据的应用大多围绕居民的故障检测、能耗管理和电网的需求响应,针对社会服务的研究尚属空白。针对以上问题,本文立足于居民用户的真实用电数据,提出了一种基于云端协同的居民非介入式负荷辨识算法,重点研究了电热负荷的细分问题;同时应用细粒度数据实现异常用户类型的判别,为有关部门的执法提供了数据支撑。具体研究内容如下:首先,研究了负荷辨识特征量和居民负荷模型。负荷辨识特征量包括终端的辨识特征量和云端的辨识特征量。终端辨识特征量包括有功、无功功率增量、有功波动性和有功缓变性、暂态有功功率冲击,电流二次、三次谐波增量;云端辨识特征量分为两种情况,大类电器二次辨识的特征量通过对终端辨识结果数据进行分析处理得到,未知电器的辨识特征量为终端上传的开启时刻和关断时刻的负荷特征。居民负荷模型包括多种负荷模型,分别从有功、无功、电流二次、三次谐波四个方面进行分析和建模。然后,提出了非介入式负荷辨识算法,包括终端侧和云端侧负荷辨识算法。首先介绍了负荷辨识的云端协同架构,即终端进行一次辨识,然后将辨识结果上传到云端,云端进行二次辨识,以此提升整体的精度。终端侧负荷辨识算法采用分层分类算法,云端采用基于模糊推理的电热细分辨识算法和新型电器聚类辨识算法,以解决目前对电热负荷细分研究不足和新型电器辨识困难的问题。算例分析结果表明,本文提出的终端算法和云端算法的辨识准确率都高于90%。最后,研究了细粒度数据在社会服务上的应用,提出了一种基于极限梯度提升树（e Xtreme Gradient Boosting,XGBoost）的用户类型判别算法。首先给出了多种用户类型的典型负荷曲线,包括空置房、群租房、民改商和网约房;接着研究了用户的特征提取,并针对群租房和民改商提出了基于局部异常因子（Local Outlier Factor,LOF）的异常检测算法;最后设计了基于XGBoost的用户类型判别算法。算例分析结果表明,本文所提算法准确率高于支持向量机（Support Vector Machine,SVM）和反向传播神经网络（Back-Propagation Artificial Neural Network,BP-ANN）,群租房和民改商的判别准确率超过60%,网约房的判别准确率高于50%。