随着社会的不断发展进步,居民、工商业用户对于用电量和用电体验的需求不断提升。此外,在当前碳达峰、碳中和的政策背景下,对于我国智能电网的更新建设提出了更高的要求。非侵入式负荷监测（Non-intrusive Load Monitoring,NILM）技术作为电网终端高级量测体系中的关键技术,通过软件算法代替传统的硬件铺设来获取负荷末端细粒度电力信息。相较于传统数学方法,深度学习以数据驱动代替模型构建的过程,具备更加强大的特征提取能力。故本文以深度学习神经网络为基础架构,以开源实测数据集作为实验样本,融合改进后的时间卷积网络（Temporal Convolutional Network,TCN）和长短期记忆（Long ShortTerm Memory,LSTM）神经网络对非侵入式负荷状态监测及功率分解进行研究,并针对输出结果所反映的家庭内部分项电力负荷信息及场景应用展开研究。（1）依托于负荷状态监测任务与计算机视觉识别问题本质的相似性,通过格拉姆角场法（Gramian Angular Field,GAF）将预处理后负荷功率数据转换为可视化图像,在二维图像中赋予时间与功率双维度信息。随后借助膨胀因果卷积机制扩大卷积核感受野的优势提出一种GAF-TCN层级神经网络结构,充分利用TCN对于图像信息的强大特征提取能力,来捕捉总功率数据与分项负荷状态之间的隐含关系,完成多电器负荷状态的预测,并将预测结果作为下一层负荷分解任务的数据支撑。（2）借助于预辨识状态结果,与总表功率数据相耦合构成各电器独立强相关功率序列（Strongly Correlated Power Sequence,SCPS）,以SCPS代替总表数据作为训练集输入,有效提高了目标信号在混合信号中的信噪比。由于负荷分解的物理本质是对总功率数据进行解耦的过程,与序列转换原理相一致,所以在序列到序列（Sequence to Sequence,Seq2Seq）的结构基础上提出了一种融合时间模式注意力（Temporal Pattern Attention,TPA）机制的SCPSSeq2Seq-TPA-LSTM神经网络模型。该模型利用LSTM的并行运算优势抓取时间序列中前后时点的依赖关系,构建编码与解码结构完成从SCPS到分解功率序列的转换过程。（3）在得到家庭内部负荷细粒度电力信息的基础上,对家庭内部能耗情况及其用电行为进行深入探究,并对用户参与需求响应（Demand Response,DR）后的用电行为进行优化建议。首先引入动态时间规整（Dynamic Time Warping,DTW）函数对K-means++算法进行改进,来解决由于电气特性导致的分项电力负荷曲线局部缩放和漂移问题。并依据聚类结果和诸多负荷特性对家庭用户内部负荷结构进行划分并深入挖掘用电行为模式,以用电舒适度最高和电费开支最小为双目标优化函数进行建模,分析该家庭在参与需求响应优化用电行为后所带来的开支收益与影响。