随着社会经济地大步向前发展,人们对能源的需求也越来越大。社会上常用的化石能源,会导致严重的环境污染问题,与建设低碳环保型社会背道而驰。但是目前新型清洁能源的转换技术并不成熟,因此提升能源的利用率、合理利用能源是缓和这一矛盾的有效方法。而电能是社会上应用最广泛的二次能源,节约用电是一种行之有效的节能方法。智能电网通过向供电方与用电方提供各方面详细的用电信息,可以让供电方根据需求及时合理地安排电能供应,也可以帮助用电方开展节能工作。对电力负荷进行监测识别是建设智能电网的一个重要环节,可以为电网公司提供更加详实的用电信息,保障电网的正常运转,为电网规划提供真实有效的参考数据。本文以实地采集到的工业电力负荷数据作为研究对象,结合深度学习方法,提出了两种电力负荷识别算法。本文的主要研究内容如下:（1）对原始数据进行预处理。首先对采集到的电力负荷数据进行最近邻值插值替换处理,剔除无效值与空值;其次使用巴特沃斯滤波器抑制线性漂移和滤除高频噪声;然后通过归一化消除畸变值的影响,为后续网络模型寻求最优值做铺垫;最后使用主成分分析（Principal Component Analysis,PCA）降维与白化减少数据集的复杂度。（2）针对目前用于电力负荷识别的神经网络算法存在训练时间长的问题,并为了进一步改善负荷识别准确率,提出了一种结合挤压与激励（Squeeze-andExcitation,SE）模块与卷积神经网络（Convolutional Neural Network,CNN）（S-CNN）的电力负荷识别网络模型。借助SE模块可以增强对电力负荷识别有用的通道信息,抑制对电力负荷识别无用的通道信息,有效提高网络模型的负荷识别能力。实验结果表明,与其他神经网络模型相比,本文提出的S-CNN模型具有更高的负荷识别准确率并且训练时间最短,具有良好的实用性。（3）针对移动设备的内存空间和计算资源都受限的问题,为了降低网络模型的复杂度,提出了一种结合幽灵模块（Ghost module,一种模型压缩地轻量级网络）、SE模块和CNN（GS-CNN）的电力负荷识别网络模型。Ghost模块采用一系列简单的线性变换来替代部分普通卷积生成冗余特征信息,可以有效减少网络模型的复杂度,而SE模块可以筛选出对电力负荷识别有用的通道信息。实验结果表明,与其他神经网络模型相比,本文提出的GS-CNN模型的浮点运算次数（Floating Points of Operations,FLOPs）和参数量是最少的,且负荷识别能力依然良好,在移动设备上具有良好的应用前景。