Los algoritmos de desagregación de energía descomponen la demanda agregada en demandas a nivel de electrodoméstico. Entre varios enfoques de desagregación de energía, los algoritmos de monitoreo de carga no intrusivos (NILM) que requieren un solo sensor han ganado mucha atención en los últimos años. Diversos enfoques de NILM basados en aprendizaje automático y optimización están disponibles en la literatura, pero los datos de entrenamiento a granel y el alto tiempo computacional son sus respectivas desventajas. Considerando estas desventajas, diseñamos un algoritmo de desagregación de energía basado en coincidencias de eventos (EMEDA) para NILM de electrodomésticos domésticos multietapa utilizando datos de medidores inteligentes. Con datos de entrenamiento limitados, se empleó el agrupamiento K-means para estimar los estados de energía de los electrodomésticos. Estos estados de energía se acumularon para generar una base de datos de eventos (EVD) que contiene todas las combinaciones de operaciones de electrodomésticos en sus diversos estados. Previo a la coincidencia, las muestras de prueba de eventos de demanda agregada se redujeron mediante compresión de datos impulsada por eventos para una efectividad computacional. Los eventos de prueba comprimidos se emparejaron en la EVD ordenada para evaluar la contribución de cada electrodoméstico en la demanda agregada. Para contrarrestar los efectos de picos y/o caídas transitorias que ocurrieron durante la transición de estado de los electrodomésticos, también se desarrolló un algoritmo de postprocesamiento. El enfoque propuesto fue validado utilizando los datos de baja tasa del Conjunto de Datos de Desagregación de Energía de Referencia (REDD). Con un mejor rendimiento de desagregación de energía, el EMEDA propuesto mostró reducciones del 97.5 y 61.7% en tiempo computacional en comparación con los enfoques recientes de optimización basados en eventos inteligentes y desagregación de carga basada en optimización, respectivamente.