非侵入式电力负荷功率分解旨在由家庭入户总电表的功率等特征数据分解得出家庭中每个电器的功率消耗情况。随着智能电表的普及和智能电网技术的发展,非侵入式电力负荷分解作为创新能源管理方案的一部分,无论在供给侧能源管理还是需求侧能源管理中都将发挥非常重要的作用。深度学习作为当前最重要的机器学习技术之一,在非侵入式家庭电力负荷分解中的应用也取得了积极的成果,但在循环神经网络、降噪自动编码机等深度学习算法应用于电力负荷分解时,存在网络训练时间长、对复杂状态电器负荷分解准确率不高等问题。另外,采用一个地区用户采样数据训练的深度学习网络模型,在应用于另外地区用户电力负荷分解时,存在准确率降低,需要大量新的标签数据进行重新训练的问题。本文首先对循环神经网络的输入形式进行了改进,采用一段数据作为一个时间步的可变输入LSTM(Long Short-Term Memory,长短期记忆网络)结构,用于电力负荷分解,在UK-DALE数据集上进行训练和测试,实验结果不仅网络训练时间大幅下降,而且也提高了对复杂状态电器负荷的预测准确率;为解决用一个地区用户数据训练的深度学习网络模型应用于另外地区用户时需要大量新的标签数据进行重新训练的问题,本文采用迁移学习把在英国UK-DALE数据集上已训练的LSTM-RNN网络,迁移到美国REDD数据集,使其仅用少量REDD数据就可以提升网络对美国家庭电器功率预测准确率,确保已有模型在新地区家庭也能够可靠预测。本文将实验的结果和几个已有的深度学习方法进行了对比,对比的指标包括F1分数,准确率,精确率,召回率,总功率相对误差,平均绝对误差六项,证明本文所提出的改进有明显效果。