需求侧的能源管理技术是智能电网的关键技术,它通过减少高峰负荷期间用户的能源需求,帮助实现电力能源的更有效利用。在智能电网和智能电表的背景下,针对传统传感器侵入式电力监测手段投资成本高,难以推广应用等问题,非侵入式的电力监测手段成为众多学者研究的热点。本文对非侵入式居民电力负荷监测课题展开研究,选取了简单高效的有功功率作为非侵入式电力负荷分解特征,其通用性更强,适用范围更广,成本更低。本文研究了如何使用图信号处理的方法进行非侵入式电力负荷分解,通过对初始事件检测与聚类分析,类簇合并与配对,以及设备工作状态和设备功率序列匹配的研究过程详细分析,并在进行序列匹配时采用了动态时间规整(Dynamic Time Warping,DTW)算法来进行序列匹配过程,有效的减弱了使用欧式距离匹配时因为序列漂移时产生的匹配失效问题并结合相关算例对本文所采用的方法进行论证,结果表明对于提高非侵入式电力负荷分解的准确率有一定的改善作用。最后还将本文的方法与相关文献中的隐马尔科夫的负荷分解方法在相同数据上进行了对比,进一步验证了本文方法的有效性。虽然基于图信号处理的负荷分解方法在低采样率的数据上已经取得了很好的效果,但是当设备使用时功率变化较为接近,这种基于事件检测的算法效果就会变得不是很理想。因此,本文研究了如何使用深度神经网络进行非侵入式电力负荷分解,结合堆栈式混合神经网络的思想,将具有空间特征提取能力的卷积神经网络和具有时序特征提取能力的循环神经网络顺向堆叠形成混合神经网络模型,增强了网络对于负荷功率序列中含有特征的提取能力,有效的解决了使用单一形式神经网络模型对于负荷功率序列中含有的特征提取能力有限,引起最终负荷分解准确度偏低的问题。最后通过算例验证了本文所采用的混合网络模型相比于单-形式的神经网络模型对于非侵入式电力负荷分解问题有着更好的效果。