分布式能源技术的不断发展,使可再生能源将以更加分散的形式出现于各个住宅中,比如可再生能源的产生和存储（如光伏屋顶）,因此基于家庭的电能系统将成为未来电力系统的重要组成部分。家庭内部的电能系统也越来越被重视,它的研究有利于家庭能源的合理使用,既能满足外部电力系统稳定运行的需求,又能减少家庭用户的电费支出。家庭能源管理系统中的关键便是对家庭负荷的精准预测,为了更准确的对家庭电能负荷进行调度,单个用户级别的住宅负荷预测变得尤为重要。在以往的研究中,大多数是对于系统级别的负荷进行预测（如全市的负荷预测）。相比较而言,单户家庭的负荷曲线具有极高的波动性与随机性,因此对其进行预测更加具有挑战性。如今机器学习技术的应用越来越广泛,在技术研究中发挥的作用也越来越大。而负荷预测是机器学习的重要应用场景,机器学习目前也是进行负荷预测的首选方法。在使用机器学习方法进行负荷预测时,其预测效果与数据集中的特征有很大关系,有效剔除数据集中一些冗余错误的特征,可以提高预测精度。本文先是在家庭负荷预测中使用多种家用电器的负荷数据来增加数据的特征,然后提出了一种基于遗传算法的特征选择方法来有效剔除数据中对于模型预测无用或者不利的特征。负荷预测的结果表明,使用这种特征选择方法进行负荷预测能够有效的提高预测精度。本文接下来设计了一种基于分时电价的住宅电能调度规则,这种调度规则的输入是未来一天的负荷预测情况以及已知的分时电价,输出是未来一天每个时段的蓄电池充放电功率。实验结果表明,使用该规则进行负荷调度对减少该户家庭的电费效果显著。本文余下部分的介绍如下所述。本文第一章首先介绍研究背景以及国内外研究现状,第二章介绍家庭能源管理系统的总体设计,第三章介绍家庭能源管理系统的数据处理方案,第四章介绍家庭能源管理系统的负荷预测模型与负荷调度模型,进行实验结果的展示说明,最后对本文进行总结与分析。