智能电网和节能减排是实现我国电网智能化的重要手段和要求,为了满足智能电网中智能测量和需求侧管理的要求,高效率、低成本的负荷监测成为亟待解决的技术难题,非侵入式负荷监测分解的技术便应运而生。非侵入式负荷监测分解是指在用户供电入口处安装智能电表监测总用电数据,经过负荷分解算法得到当前系统内各负荷运行情况。该方法能实现对用户用电信息的监测,有利于电网制定运行计划;而对于用户而言,可根据各电器电能消耗的具体情况,有针对性地调整用电行为。目前的分析方法,主要依赖于手动提取负荷的特征,采用传统的组合优化和阶乘隐马尔科夫模型方法去实现分解。随着人工智能技术的发展,机器学习和深度学习等技术也逐渐被应用于非侵入式负荷分解问题中。该类方法不要求高采样率,只使用低端硬件采集数据,通过深度神经网络去学习负荷特征,从而建立相应的负荷模型,以此进行负荷识别分解。但是一般的深度学习方法中缺乏事件检测,导致提取的负荷特征由于滑动窗口而被重复的识别,这增加了训练难度和计算量。针对以上问题,本文提出了基于深度时间卷积网络的非侵入式负荷分解算法,首先采用基于变点识别的事件检测方法,进行负荷事件检测并提取负荷激活。其次将负荷激活数据进行组合,以产生充分的训练数据。接下来采用时间卷积网络建立每个负荷的模型,构建总功率和单个负荷消耗功率之间的对应关系,从而实现负荷分解。本文采用REDD数据集对算法进行验证,采用精确率,召回率,F分数等评价指标进行评价。最后设计了一套负荷测量与分解装置,将算法应用于实际负荷的分解上,验证了该算法有效性。