第二次工业革命以来,电力得到广泛的应用,进入二十一世纪后,随着互联网技术的发展,智能电网技术应运而生。作为智能电网的重要组成部分,高级量测体系(Advance Metering Infrastructure,AMI)是进行电能管理和提高电能利用效率的基础。将用电监测细化到用电器层面又是AMI的重要内容之一,对居民用户可以采用非侵入式负荷监测技术(Non-Intrusive Load Monitoring,NILM,又称负荷分解技术)。NILM可以通过分析电力入口处的电压、电流、功率等信息,得到主要用电器的用电情况,具有成本低廉、对用户干扰低的特点。本文提出一种面向家居环境的负荷分解方法,在仅有低频(1/60 Hz)总功率数据的前提下,通过充分挖掘数据的人工特征和隐含特征识别各用电器的运行状态,并基于证据理论合成识别结果,采用融合神经网络估计得到主要用电器的运行功率。在用电器运行状态识别方面,传统方法一般利用高频电压、电流、谐波等数据,基于事件检测得出人工特征作为识别依据,或不检测事件直接分析原始数据。本文在仅有低频总功率数据的前提下,为充分利用有效信息,创新性地从数据的人工特征和原始数据两个角度出发,给出模糊决策树与长短时神经网络(Long Short-Term Memory,LSTM)两种分类器。由于两种分类器在处理不同用电器上有各自的优势,为获取到更好的负荷识别效果,本文创新性地将证据理论应用于负荷分解问题,从用电器、分类方法和时序三个层次合成分类结果,在多数用电器上实现了比单一分类器更好的识别效果。得到各用电器运行状态后,在估计用电器的实时功率时,本文提出融合神经网络用于学习用电器的运行模式。将用电器各时刻的运行状态及总功率同时输入到融合神经网络,得出了精准、细节丰富的功率估计结果。本文主要利用AMPds公开数据集,实验对比结果表明本文所提方法有较好的负荷识别效果,功率估计精度高,且部分典型用电器的功率细节得到了成功恢复。