Het niet-invasief opmeten van stroomverbruik in een woning meet het totale energieverbruik van een huishouden door gebruik te maken van slechts 1 sensor. De verzamelde data wordt vervolgens gebruikt om te bepalen welke huishoudelijke toestellen aanwezig zijn, welke al dan niet actief zijn en voor hoe lang. Hiervoor wordt machine learning gebruikt. Het omzetten van deze data naar kennis resulteert in bruikbare inzichten in uw elektriciteitsrekening. Er bestaan verschillende soorten NILM. Mijn proefschrift concentreert zich op de op gebeurtenis gebaseerde methoden, die de volgende stappen omvatten: (1) data verzamelen, (2) activering of deactivering van toestellen (gebeurtenissen) detecteren, (3) kenmerken extraheren, en (4) classificeren van huishoudelijke toestellen. Elke stap wordt in dit proefschrift onderzocht: (1) we verzamelen data, (2) detecteren gebeurtenissen op een robuuste manier, (3) extraheren karakteristieken uit afbeeldingen eigen aan het stroomverbruik van de toestellen en (4) voeren beeldclassificatie uit. Daarbij wordt er ook een methode voorgesteld die in staat is om nieuwe/niet-geïdentificeerde toestellen te herkennen door een voorstellingsruimte te leren waarin verschillende toestellen verschillende, verspreide groepen vormen