随着技术的进步,现在的很多智能电表已经可以提供实时又详细的住宅总电流信息或者总功率信息。如果可以充分利用这些信息,将对节约能源提供很大的帮助。非侵入式负荷监测(Non-intrusive Load Monitor,NILM)技术可以根据智能电表的汇总信息来分解出各个负载的功率消耗和工作状态,从而帮助人们节约用电。本论文对非侵入式负荷监测技术进行研究,研究重点和贡献可分为四个部分:事件检测,瞬态信号识别,特征提取,系统校准。在事件检测部分,和以前的异常检测类做法不同,本文将事件检测作为分类任务来处理,使用功率包络加神经网络的算法对采集到的一段电路信号进行分类,并使用了一些能够提升神经网络分类能力的训练细节,最终的事件检测模块使用训练好的事件分类模型加滑动窗口检测的方法实现。在负荷识别部分,本文使用时序卷积自适应滤波来对电流信号进行简单的预处理,并使用双向循环神经网络来对检测到事件的滑动窗口中的瞬态电流信号进行识别。最后,本文提出了一个基于稳态差值电流、融合特征的负荷识别模型,并加入了无负荷类别对前面基于功率包络的事件检测模块中发生的误检进行校准。此外,使用bagging集成的方式将本模块的负荷识别结果和前面瞬态电流识别模块的结果进行集成作为最终的识别结果。本文的所有试验均在基于事件检测的数据集BLUED上进行分析,从实验结果来看,本文将事件检测作为分类任务,并使用功率包络加神经网络的分类做法是完全可行的,并且检测能力也完全超过了其他异常检测类算法。此外,本文提出的使用差值电流法和融合特征的负荷识别算法,从单独的实验结果来看完全是可行的,并且使用集成的思路对前面的事件检测和瞬态电流识别模型进行校准之后,整个负荷识别系统的稳定性也有了提高。