非侵入式负荷监测技术能够深度挖掘住宅总线电力信息获取单个居民用电负荷的运行状态和能耗情况,从而提高居民用户参与需求侧响应的及时性和对家庭负荷的认知水平,对优化居民用电具有重大意义。然而,负荷事件检测容易出错、负荷识别准确率低以及负荷分解精度不高仍是非侵入式负荷监测技术发展面临的挑战。因此,本文采用深度学习算法研究面向居民用户的非侵入式负荷监测方法,主要研究内容如下:首先,针对现有事件检测算法在负荷事件检测过程中出现较多误检、漏检事件以及对信号噪声敏感的问题,提出了基于复合滑动窗的双边累积和负荷事件检测方法,分别构建三个滑动窗口并执行不同的功能,共同完成负荷事件检测任务。通过UK-DALE数据集的验证结果可知,该方法可以有效改善基于普通滑动窗的双边累积和事件检测算法存在的误检和漏检问题,并降低了对住宅总线电力信号噪声的敏感度,从而提高了负荷事件检测算法的查全率和查准率。其次,针对构建的特征难以表征负荷唯一性,浅层负荷识别网络无法有效学习负荷特征的问题,提出了负荷V-I轨迹特征构建方法,搭建了深层残差负荷识别网络。该方法在V-I轨迹图像化过程中不仅保留了轨迹的形状参数信息,更是将负荷电流等数值特征信息反映在V-I轨迹图像颜色上,并融入了负荷电流谐波特征信息,增加了特征对不同负荷的区分度。利用改进卷积块、空洞残差块以及Dropout过拟合抑制模块搭建的残差负荷识别网络能够有效提取V-I轨迹图像的负荷特征信息,实现精准识别不同负荷的V-I轨迹图像,在PLAID数据集的验证结果说明了此方法有效。最后,针对负荷分解准确率低、模型泛化性能差的问题,提出多尺度卷积与Informer网络相结合的非侵入式负荷分解方法。采用数据分段优化方法对功率信号分段,利用多尺度卷积核获取不同时间尺度的特征序列,自适应提取多维度特征,形成功率特征矩阵。基于Informer网络中的稀疏概率自注意力机制和自注意力蒸馏机制能够在高维空间上充分捕获特性序列的长期依赖关系,从而提高负荷功率分解的准确率。使用分解值后修正方法消除功率分解值中的“虚假”激活状态,进一步提高算法的分解精度。基于UK-DALE数据集的实验结果表明本文方法具有可行性。