随着国内智能电网新技术的不断发展,居民用户作为重要的消耗终端,需要应用更灵活的用电侧和售电侧双向互动机制,用以提升居民智能用电的意识。负荷监测作为分析居民用电行为中重要的环节,其在不影响居民正常生活的情况下,通过在入户处安装电力监测装置可以进行非侵入式负荷监测NILM,具体可以辨识到各个用电负荷的开关情况,从而了解到居民的行为习惯,给予用户制定科学合理的节能方案提供技术基础,最终达到能源利用率高,降低能耗以及节省电费的目的。在深度学习蓬勃发展的环境下,引导了越来越多的学者将深度神经网络的前沿技术广泛应用到负荷监测领域中。在上述基础上,为了提高负荷辨识算法的整体性能,本文研究优化的深度神经网络模型应用于NILM,由此所做的主要工作可分为以下几个部分:首先将数据集进行预处理得到相应的数据样本集,为了客观全面的评估深度神经网络算法选取合理的评价指标,利用单独架构的降噪自动编码器DAE的降噪重构特性和循环神经网络RNN更优异的处理长时间序列的特性进行扩展,提出了基于循环降噪神经网络的负荷辨识算法,其采用非线性预测自编码器,变步长输入特征等方法有效地对输入特征进行训练,使网络能在预测下一时刻状态信息的基础上,接受在不同步长下自适应扩充的负荷序列数据,从而通过提取低维特征完成对目标负荷的映射。实验中对比验证了在输入不同的功率特征时,优化网络相较于单个网络结构在不同实验场景下的辨识效果更优,其在保留两种网络各自的功能特性的基础上,对多种类型的负荷性能得分起到了较好的互补效果,但对于部分电器的辨识仍具有较大的提升空间。根据循环降噪神经网络辨识模型的局限性,提出了双向门控循环单元Bi-GRU和注意力机制的负荷辨识算法,通过对序列到序列模型Seq2seq中的GRU结构及编码机制进行优化,使结构具备更优异的信息提取能力,从而增强了模型的泛化能力。在解码部分加入注意力机制,加强了对部分用电器的目标向量加权变化,使模型分解值更加接近于真实值。通过对比实验分析,证明该模型辨识负荷的性能达到最优效果。