电能是能源消耗的重要组成部分,随着全球能源日益紧缺,节约用电至关重要。非侵入式负荷识别技术可以实时的监测住宅用电情况,不仅能为用户节电提出合理化建议,还可以为电网的智能化运营提供策略支持,对“源网荷”发展具有重要的研究意义。目前,非侵入式负荷识别技术大多集中在改进负荷特征建模和识别算法,但不同应用场景的负荷差异导致模型和算法的识别效果难以保持,为此本文提出了场景自适应的非侵入式负荷识别算法。数据频率对负荷识别有重要作用,综合软硬件需求,本文使用低频数据;为保证高实时性,采用时间短、信息量大的暂态特征并优化了提取方法;数据建模是负荷识别的重要一步,为此本文深入分析负荷特征并结合物理知识,采用有功和无功时间序列并列的数据建模方式,根据样本时间和空间的结构特点以及深度学习基本思想,设计了一个CNN+LSTM的级联网络识别负荷,并对网络参数进行了优化;最后为适应场景变化,结合负荷特征分析结果和网络训练方式提出了样本迁移和模型迁移方法。为验证提出的方法可行性,本文使用公共数据集UKDALE,选择其中的7类负荷,对两个用户分别进行自测和互测实验,使用6个评价指标对测试结果综合评定。实验结果包括两部分:负荷识别结果和负荷分解结果,负荷识别实验结果显示CNN+LSTM网络的表现优于SVM和CNN网络,应用迁移方法之后跑步机的各指标与原始模型相比提高了50%~90%;负荷分解结果表示应用迁移方法之后各指标均优于两种同类文献。