相较于传统侵入式负荷监测成本高、用户接受难的特点,非侵入式负荷监测的出现不仅解决这些问题,还在为节能减排做出贡献的基础上为电力公司、用电居民等多方带来效益。但现如今负荷监测中关于负荷特征的研究已经非常透彻,因此,本文以外界条件相关的特征量为研究重点,并对此展开相关研究与实验。首先,以外界条件相关性为标准,将用电设备分为两类:与外界条件相关性小的用电设备,以及相关性大的用电设备。其次,从传统负荷特征入手,详细介绍现有的稳态特征与暂态特征,并总结其表达公式及优缺点,为提高负荷辨识准确度,提出将外界条件提取为特征量,并总结相关提取方法。最后,使用CUSUM滑动窗事件检测法对用电设备进行事件检测。在详细了解暂态、稳态特征以及外界条件具体形式和提取方法后,为使提取出的数据更加精确,使用中值滤波抑制原始数据中的噪声,并用KNN缺失值填补法填补原始数据中存在的部分缺失值。在完成数据预处理后,利用特征提取法提取出6种稳态特征,以及9种非电气量特征。由于特征数量过于庞大,为除去15种特征值可能造成的信息冗余,在使用F检验未能获得理想结果的情况下,使用XGBoost特征选择法对提取出的特征进行选择,最终将15种特征值在不会过多损失信息量的前提下简化为5种:电流有效值、基波有功功率、时间、温度以及相对湿度。最后,本文提出一种BiLSTM与注意力机制相结合的负荷辨识算法,既利用了 BiLSTM善于处理长序列问题的特性,也加入了注意力机制的权重更新,以此为模型将提取出的特征量作为输入,负荷辨识评价指标作为输出进行实验,实验结果表明:非电气量特征的加入可以有效提高负荷辨识各项指标,与外界条件相关性大的用电设备指标提升效果更为明显,但特征量越多,耗时也会存在相应增长;当进行负荷辨识时,若数据集出现大量缺失,可以通过加入非电气量特征的方法来提升辨识的评价指标。