已有的研究表明,通过对用户进行电能消耗检测并将其信息反馈给用户,能激励用户主动调节用电方式、合理规划用电时间,从而达到节约电能的目的。同时,监测的用电信息在完善电网的规划与管理、增强居民节能意识、以及国家节能减排的号召等方面均具有重要作用。非侵入性负荷分解方法比传统的侵入性负荷分解方法更具优势,它可以有效地进行电能分解而不会干扰家庭的正常活动。目前,深度学习方法已经被成功地运用到语音识别和机器翻译等领域,并表现出优异的学习能力和特征提取能力。但是采用深度学习进行负荷分解的研究不多,而且所用方法的分解效果不太理想,所以本文基于改进的深度学习方法开展针对家庭用电负荷的非侵入性负荷分解研究。对深度学习网络结构的比较与分析,本文选择其中的循环神经网络进行研究。在循环神经网络中,常用到的又有两种不同的结构,分别是:长短期记忆神经网络(Long Short-term Memory neural network,LSTM)和门控递归单元神经网络(Gated Recurrent Unit neural network,GRU)。本文依次对LSTM和GRU进行研究,建立了相应的非侵入式负荷分解模型,并对模型进行了改进和扩展以提高负荷分解的准确率。本文的改进的措施包括两个方面,一是引入能够处理具有较长序列的输入信息的注意力机制,以及能从大量数据中捕捉到更多有用信息的双向架构;二是为了有效降低计算时间,研究了端对点结构。本文分别在LSTM和GRU的基础上建立了四种负荷分解模型,并选用REDD数据集(Reference Energy Disaggregation Dataset,REDD)进行数据训练与测试,负荷分解的对象为REDD数据集中六个家庭中共有的洗碗机、冰箱、电灯和微波炉四类负荷。试验结果采用召回率、精确度、F1-Score、准确率、总能量相对误差、均方根误差这六种评价指标对所提出的负荷分解模型进行性能评价。仿真结果表明本文提出的改进的深度学习算法能有效对家用电器进行负荷分解,也证实了引入的双向机制和注意力机制能够优化分解过程。论文比较了LSTM和GRU两种结构的分解结果,试验结果表明GRU比LSTM具有更好的分解准确率;所采用的端对点结构能有效节约网络训练时间。通过本文的研究为解决家庭用电负荷的分解问题提供了有效的新思路。