随着国民经济的高速发展,我国办公建筑面积日益增加,办公建筑能耗也随之增长,办公建筑节能无疑是我国建筑节能工作的重点之一。随着电网智能化的发展,海量的详细负荷用电信息越来越能体现其在节能减排中的关键作用。非侵入式负荷监测可以根据用户总电表的聚合数据,分解出各个电器单独的用电数据,可以让用户更为详细的了解设备的用电情况,以帮助用户制定合理的节能计划,降低用电成本。负荷监测数据也可以帮助电网了解负荷组成,合理有计划的组成安排用户用电时间,实现削峰填谷。详细的用电数据还可以有效地降低高能耗电器使用并有效实施需求响应措施。为此,本文针对办公建筑展开了非侵入式负荷监测的研究,具体工作为:（1）搭建实验数据采集平台,选择饮水机、取暖器、电动车充电器、微波炉和LED等五种办公建筑电器作为实验对象,根据不同触发机制采集稳态数据和暂态数据,将数据存储至MySQL数据库中,对数据进行提取与处理,建立实验数据集。（2）针对传统网络模型在负荷分解算法精度低、分解速度慢、时效性差等问题,本文基于稳态数据对非侵入式负荷监测方法进行建模,设计了基于时序卷积神经网络（Temporal Convolutional Network,TCN）与改进的序列到点框架结合的负荷分解模型。通过将预测点从输出窗口的中点移动到端点,改进了原来的序列到点的体系结构,提高了模型分解的实时性,使模型能够学习更多的历史信息。TCN使用扩张因果卷积,以便能够捕获长期的依赖关系,并防止信息丢失,并可以有效的避免因网络层数过深导致的梯度消失和爆炸等问题。（3）针对现有的非侵入式负荷监测方法主要将研究重点放在提高负荷识别准确度上,导致模型复杂度高,难以在嵌入式设备上应用等问题,本文基于暂态数据对非侵入式负荷监测方法进行建模,设计出一种基于改进k近邻（k-Nearest Neighbor,kNN）算法与谐波统计特征融合的非侵入式负荷监测方法。首先,采用距离权重统计方法对kNN算法进行改进,并增加余弦相似度判断机制检验kNN算法负荷识别结果准确性。其次,在数据采集过程中使用事件波形分离机制消除了主回路中正常负荷的扰动,降低了负荷识别的难度,可以实现多设备同时运行时的负荷识别。最后对分离的事件波形提取暂态特征和谐波统计特征作为负荷特征以提高负荷特征辨识度。（4）基于暂态数据设计的非侵入式负荷监测方法建立了非侵入式负荷监测系统平台,采用B/S架构实现非侵入式负荷监测系统开发和云端服务器的部署。建立了一套数据采集、云端数据存储及展示于一体的非侵入式负荷监测系统平台。