能源是人类社会赖以生存和发展最重要的物质基础之一,能源的开发和利用贯穿了人类社会的发展历程。然而,随着社会的发展,能源需求急剧增长,某些领域能源危机愈发频繁,能源短缺问题逐渐成为制约社会发展的关键因素之一。因此,“节能降耗”被世界各国提上了日程。在众多的能源类型中,电能在社会生产和日常生活中扮演了越来越重要的角色,因此电能节约是推进节能降耗工作的重中之重。与此同时,电能的广泛使用也带来了潜在的用电安全问题。因此,实现节能降耗与安全用电成为了亟待解决的重要命题。实现节能降耗与安全用电对于缓解能源危机与保障人民生命财产安全具有重要意义,其关键在于如何准确感知用电设备的用电行为,即负荷监测,常见途径为负荷分解。负荷监测通常分为侵入式负荷监测（Intrusive Load Monitoring,ILM）与非侵入式电力负荷监测 Non-Intrusive Load Monitoring,NILM)两类。NILM相较于传统的侵入式方法具有成本低、易推广等特点,是目前负荷监测领域的主流研究方向。随着电力监测数据集的不断完善和深度学习技术的不断发展,基于深度学习模型的NILM算法成为了目前效果相对较好的解决方案。然而,该类算法本身也存在不足,如无法较好地平衡模型收敛复杂度与计算代价、预处理工作依赖先验知识、损失函数设计较为复杂以及高频信息解析能力不足等。基于对以上问题的考虑,本文设计了基于生成对抗网络的NILM解决方案。首先,将传统的基于深度学习模型的NILM解决方案归结为序列-序列（Sequence to Sequence,S2S）与序列-点（Sequence to Point,S2P）两类不同的计算模式,进而设计了序列-子序列（Sequence to SubSequence,S2SS）的新型计算模式,以平衡模型收敛复杂度与计算量。其次,把NILM问题建模为序列生成问题,将生成对抗网络（Generative Adversarial Networks,GAN）引入到 NILM 解决方案中,并设计了判别器输出与L1范数结合的损失函数,以避免烦琐的损失函数设计过程。为进一步提升模型的低频与高频信息生成能力,本文将U-Net网络结构、样本正则化、全卷积网络等技术与所设计模型深度耦合,进行协同优化。为验证基于GAN的NILM解决方案的性能表现,本文基于公开数据集UK-DALE和REFIT设计实验并与seq2point方案进行对比。结果显示,本文所设计解决方案在负荷分解任务上的准确率全面优于对照组,不仅在低频信息的生成上具有较高的准确率,同时在高频信息的生成上能较准确的还原细节。此外,本文还对模型设计过程中引入的U-Net网络结构以及样本正则化技术对模型的贡献度进行了实验探究。综上,本文设计的解决方案具有较高的负荷分解准确率,具备良好的实用价值。