随着我国对能源消耗及环境污染问题关注度的不断提高,推动能源互联网建设是可持续发展的必然要求。作为能源互联网的重要一环,智能用电改革对需求侧响应的及时性和用户对用电负荷的感知性提出了更高的要求,非侵入式负荷监测技术（Nonintrusive Load Monitoring,NILM）正是智能电网配电侧的一个重要研究方向和发展目标。NILM是一种仅从电力用户主电源记录的数据中即可识别出各个用电设备工作情况的技术。针对用电设备功率盲源分离准确率较低的问题,本文提出了一种基于长短时记忆网络（Long Short Term Memory,LSTM）的负荷识别方法,将序列到点（sequence to point,seq2point）学习方法引入深度神经网络模型,利用二者适于处理时间序列数据的优势有效提高了电力负荷数据识别的准确率。具体工作如下:（1）本文以UK-DALE、REDD和REFIT三个数据集的实验数据,进行了多类用电设备识别实验,通过F1-score、平均绝对误差（Mean Absolute Error,MAE）和归一化总误差（Normalized Signal Aggregate Error,SAE）等评价指标,验证了新方法相对于传统的序列到序列（sequence to sequence,seq2seq）结构具有更低的识别误差。此外,新模型在识别三个开源数据集时具有更高的准确性和更好的泛化能力,且对REFIT数据集的识别表现在三者中最佳。（2）为了更好地提高模型的泛化能力,本文设计了两种迁移学习实验:跨设备迁移学习实验和跨数据集迁移学习实验。以本研究搭建的LSTM-seq2point模型作为基础训练模型,利用直接型迁移学习方法和微调型迁移学习方法,在三个开源数据集内的五种用电设备之间进行交叉实验。跨设备迁移学习实验,即用一个设备训练好的模型去识别同数据集内其它设备。结果表明,运行状态较为复杂的洗衣机训练得到的模型可以准确地识别其它设备。跨数据集迁移学习实验,即运用一个数据集内一种用电设备的训练模型来识别其它数据集内的用电设备。实验结论为,当训练和测试数据采集类型不相同时,需要先对全连接层和seq2point学习方法进行微调,然后再应用于测试数据;当训练和测试数据采集类型相同时,则不需要进行微调,训练模型可直接识别测试数据。综上所述,本文所提出的新型LSTM模型不仅可有效提高用电设备电力数据识别准确率,而且可以通过迁移学习进一步提高负荷识别方法的泛化性和普适性。