随着智能电网技术的不断发展与智能用电理念的逐渐传播,人们普遍开始重视能源管理、节能减排以及可再生能源等问题。先进且有效的需求侧管理技术能够为智能电网发展提供安全性与与可靠性的保障,而了解居民用电行为特征是实现需求侧管理的首要前提。非侵入负荷辨识相较于其他负荷辨识方式而言,信息采集更简单,成本投入低,可操作性强,维护方便并且居民的接受程度高,因此近年来逐渐被国内外的学者所重视。通过非侵入式负荷辨识可以以较低成本获取大量用户信息,从居民角度看,方便了居民对家庭用电模式进行恰当的调整,降低用电费用;从电网公司角度看,能够协助电力运营商进行精确的用电行为评估、能源分配管理以及波动能源的整合;从国家角度看,能够为能源政策的制定与能源发展规划提供数据支持。由于前人研究大多通过人工提取事件信息与负荷特征,这可能会导致由于对问题或算法考虑不周而引起辨识效果不理想,另外,现有的研究成果多数在高频数据集上获得的,这对采样设备要求较高并且数据分析量大,不利于非侵入式技术的实际运用,因此,本文针对这些问题进行了研究。本文构建了一个基于改进的长短时记忆（Long Short-Term memory,LSTM）神经网络的非侵入式负荷辨识模型,针对负荷辨识的特点对LSTM神经网络进行了相应的改进,最终得到可实现家庭负荷辨识的集成系统,并通过Python软件进行了仿真验证。本文的主要工作如下:（1）首先深入分析了前人研究成果,分别从负荷辨识事件探测、特征提取以及负荷辨识这三个环节研究各类算法的特性,总结了人工进行负荷辨识的优缺点与难点。（2）设计了非侵入式负荷辨识的基本环节,分析家庭负荷数据的特点,对不同类型电器进行归类与分析,同时还比较了不同算法的适用范围和辨识效果。为了提高负荷辨识效果,采用Grubbs准则的小波去噪算法对每个电器的负荷数据都进行了异常值处理与填补,以确保后续负荷特征提取的有效性。（3）为了保证负荷辨识系统能够充分利用数据中的有效信息,我们对负荷原始数据提取了瞬时特征序列以及区域特征序列。但考虑到大量负荷时间特征序列并行输入神经网络训练会导致数据处理过程过于繁杂、运行速率低下的问题,又利用主成分分析法和核主成分法对以上提取的负荷时间特征序列进行了数据融合,在确保信息完整性的前提下降低数据维度,以降低神经网络的计算量。（4）构建了非侵入式负荷辨识模型。首先利用全连接神经网络对LSTM神经网络的输出进行改进,使其能够直接输出单个电器的运行数据。其次,在全连接层中加入Dropout算法,减少神经网络中各个神经元的依赖性,以此来保证神经网络提取的负荷特征的独立性,同时防止过拟合现象的出现。（5）最后,利用Bagging算法对改进过的LSTM神经网络进行算法集成,进一步避免训练的过拟合现象,同时增强负荷辨识模型的总体稳定性。通过实验验证该模型能够实现高精度的负荷辨识。本文还对不同场景下的辨识效果做了分析,验证本文所提出的负荷辨识模型在多种场景下都能对绝大部分电器设备实现辨识。