近年来,电能在能源消费终端的比重在不断增大。如何合理规划使用电能,避免不必要的浪费,节约能源,成为现代社会可持续发展的重要问题。因此,考虑可以通过对家电负荷进行监测,分析各时段家用电器的用电信息以制定用电计划,达到节约电能的目的。非侵入式负荷分解只需在用户用电入口处加装传感器,通过分析采集到的总用电信息,进行负荷识别和用电行为分解,进而得到各负荷的用电情况。与传统侵入式负荷监测相比,其成本低,易于推广,更适用于居民负荷监测,具有一定的应用价值和意义。本文为了进一步提高非侵入式负荷分解的分解准确率,分别从负荷状态识别和功率分解两个方面进行了研究,在构建状态码的基础上,分别提出基于Stacking模型融合的非侵入式负荷状态识别算法和基于融合Attention与Conv Bi LSTM(IACBL)的非侵入式负荷分解算法。具体工作如下:首先,对非侵入式负荷分解的相关概念进行论述,并对负荷特征进行分析,其中功率特征提取简单且适用性范围广。因此,选择功率作为本文的负荷特征。针对在训练时难以对含有大量数据的用电设备的工作状态做标签问题,利用中值滤波对数据集进行处理去除噪声,设计了引入轮廓系数和平方误差和作为评价指标的k-means算法来确定负荷的状态数,构建了状态码。其次,为了进一步提高分解准确率,在负荷状态识别方面,本文提出了基于Stacking模型融合的非侵入式负荷状态识别算法。Stacking算法由初级学习器和次级学习器两层框架组成,首先训练第一层初级学习器,得到预测结果,其次将得到结果作为第二层次级学习器的输入并进行训练,最后识别出各负荷状态。通过遗传算法对其组成的各机器学习算法进行参数寻优,设计仅使用了有功功率和使用有功功率、无功功率作为负荷特征的两组实验,选择公共AMPds2数据集中的6个负荷作为研究对象。实验结果表明,Stacking模型融合的负荷状态识别准确率和F1值优于其组成的单一模型算法。最后,在功率分解方面,构建了基于融合Attention与Conv Bi LSTM(IACBL)的非侵入式负荷分解模型,其模型首先通过卷积层和Bi LSTM算法进行特征提取,其次将提取到的特征经注意力机制层进行权重优化,最后由全连接层进行分类,得出状态码,进而实现功率分解。本章以有功功率为负荷特征,选择公共AMPds2数据集中的6个负荷作为研究对象。为了研究模型在不同场景下的泛化性能,在原来的实验基础上,再增加1个负荷。实验结果表明,本章所提的模型算法在功率分解率优于其他流行算法。此外,在有功功率的基础上增加无功功率,其功率分解准确率得到了一定的提高。