在全球范围内,电力行业都是国家经济发展和民众日常生活的基础行业,电力的有序运行和高效利用是保障国计民生的关键。近年来,国外发达国家和我国都在致力发展智能电网,智能电网利用计算机、通信技术和电子设备等技术进行改造,使得电力网络更加经济、环保、高效,同时实现用电侧和供给侧的双向互动。负荷监测是实现“智能用电”、“绿色用电”的前提,非侵入式负荷监测技术(Non-Intrusive Load Monitoring,NILM)能够在只给定总的用电数据时,利用NILM技术得出具体的用电细节信息,可以为节能政策的制定提供用户用电信息和数据参考,以便于更好地开展节约用电活动。本文调研了前人成果后发现:现有解决方案大多都使用高频数据,这对监测设备的存储和采样要求较高,且负荷特征单一,对小功率和多模式用电器识别准确率较低。文章针对其不足继续开展研究工作,提出具有创新性的解决方法,并对其基本理论、详细步骤进行阐述,利用公开数据集进行算例实验,验证方法的可行性。首先介绍了负荷监测的课题背景及意义,对比了侵入式和非侵入式负荷监测两种方案的优缺点,说明了非侵入式负荷监测的优势。借鉴国内外学者的经验,在第二章详细介绍了非侵入式负荷监测的原理和负荷特征,给出了现有的家庭用电数据集和常用算法评估准则。第三章提出了基于行为习惯和神经网络的非侵入式负荷监测方法,在使用传统的电气负荷特征同时,创新地利用用户行为信息(时间)作为新的输入特征,提出基于聚类的状态标记方法解决用电器的模式标记问题,利用公开数据集进行验证。第四章提出基于长短期记忆网络(Long Short-Term Memory,LSTM)的非侵入式负荷监测方法,不仅考虑了负荷自身电流特性,建立电流模板特征库,并充分利用时序数据的历史数据中蕴含的有关于用户的用电信息。分解方法使用基于LSTM的分解模型,可以有效的将过去的信息传递到当前时刻的计算中,提高负荷辨识精度。