Cette thèse présente une méthode pour désagréger les appareils électriques dans le profil des bâtiments résidentiels de charge. Au cours des dernières années, la surveillance de l’énergie a obtenu beaucoup de popularité dans un environnement privé et industriel. Avec des algorithmes de la désagrégation, les données mesurées à partir de soi-disant compteurs intelligents peuvent être utilisés pour fournir de plus amples informations de la consommation d’énergie. Une méthode pour recevoir ces données est appelé non-intrusifs charge identification. La majeure partie de la thèse peut être divisée en trois parties. Dans un premier temps, un système de mesure propre a été développé et vérifié. Avec ce système, les ensembles de données réelles peuvent être générés pour le développement et la vérification des algorithmes de désagrégation. La deuxième partie décrit le développement d’un détecteur de flanc. Différentes méthodes sont présentées et évaluées, avec lequel les temps de commutation des appareils peuvent être détectés dans le profil de la charge. La dernière partie décrit un procédé de classification. Différents critères sont utilisés pour la classification. Le classificateur reconnaît et étiquette les appareils individuels de la courbe de charge. Pour les classifications différentes structures de réseaux de neurones artificiels sont comparés. / This thesis presents a method to disaggregate electrical appliances in the load profile of residential buildings. In recent years, energy monitoring has obtained significantly popularity in private and industrial environment. With algorithms of the disaggregation, the measured data from so-called smart meters can be used to provide more information of the energy usage. One method to receive these data is called non-intrusive appliance load monitoring.The main part of the thesis can be divided into three parts. At first, an own measurement system was developed and verified. With that system, real data sets can be generated for the development and verification of the disaggregation algorithms. The second part describes the development of an event detector. Different methods are presented and evaluated, with which the switching times of the appliances can be detected in the load profile. The last part describes a classification method. Different features are used for the classification. The classifier recognizes and labels the individual appliances in the load profile. For the classification different structures of artificial neural network (ANN) are compared.