非侵入办公负荷分解是一种间接获取办公建筑内用能行为的有效方法,具有低成本、便捷、保护用户隐私等优点,是当前办公建筑节能的研究热点,有助于用户行为的精准建模,引导用户合理用电。如今,在对非侵入式负荷分解算法的使用过程中,可利用电子负荷,以其电气特征为依据来对其电子负荷模型进行建立,无论是借助优化技术,还是运用模式识别技术,均能够完成对电子负荷的分解处理,因为此类方法的处理效果不佳,在混合工况条件下,无法使多类负荷分解问题得到有效解决,比如大功率非平衡负荷波动以及高噪声等问题。基于以上问题,本研究设计并搭建了小型办公设备负荷监测平台,以常见的五种办公设备的低频稳态负荷数据为驱动,并通过深度学习建立每个负荷与总功率的对应关系,主要研究内容如下:（1）针对典型办公用电设备负荷印记暂态特征采集频率对硬件要求较高的问题,搭建了典型办公用电设备负荷印记检测与用能行为表征小型实验平台,实现开/关型、有限状态型和连续变化型办公用电设备的稳态特征变量的低频采样,为开展办公建筑人行为动力学机制研究提供有效数据支撑。（2）建立了基于循环神经网络和卷积神经网络的非侵入式办公用电负荷识别模型。针对不同用电场景,建立单一用电设备运行状态与典型人行为之间的映射模型,以获取不同层次表征人行为的时间序列,实验结果表明,算法对单个用电设备独立工作时的运行状态识别准确率很高,该方法可为从小规模负荷数据中准确识别人行为提供理论依据。（3）采用本实验收集的数据集来充当实验数据集,无论是办公设备处于训练状态,还是未训练状态,均能够借助该数据集来对其展开相关实验,以深度模型结构为处理对象,借助六种评价指标来完成对其的有效评价,其中不仅包括均方根误差、总能耗正确分类比例以及精确率,还包括精确率、准确率以及F1-measure。实验结果显示,当以深度神经学习为理论基础,在对非侵入式办公用电负荷分解法的使用过程中,能够取得良好的电负荷分解效果,同时能够大幅度优化负荷分解的性能,使其泛化性能得到改善。