随着电力系统的不断深化更新,我国的电网行业已然迈入快速发展时期,非侵入式负荷监测（Non Intrusive Load Monitoring,NILM）技术作为智能电网领域中高级测量体系的分支,不仅可以帮助用户养成良好的用电习惯,而且能够使电力系统行业对用户提供精准化服务,实现双方互利双赢。非侵入式负荷监测方法类型众多、特性各异。国内外学者针对现有模型存在算法复杂度高、计算量大、模型训练效率低等问题做了广泛研究,但随着负荷类型的增加,对非侵入式负荷监测效果提出了更高的要求。本文在确保电力系统稳定运行的情况下,针对非侵入式负荷监测时如何提高监测精度、缩短网络训练时间等方面进行了研究,具体工作如下:（1）针对复杂多变的负荷特性,原有NILM模型训练效率低、负荷监测精确度不高等问题,综合考虑用户用电需求和电能消耗情况,提出一种基于变分模态分解（Variational modal decomposition,VMD）和卷积神经网络（Convolutional Neural Networks,CNN）相结合的非侵入式负荷监测方法。首先对采集到的负荷信号进行预处理,用变分模态分解方法将原始负荷功率信号分解成不同频率的有限带宽子序列,通过Hilbert算法提取低频信号特征,然后将其输入到CNN中,利用网络的自学习能力学习各模态分量的不同特征,最后用全连接网络对用电设备进行分类,得到各个设备的用电情况。为了验证该方法的有效性,采用公开数据集进行仿真实验,并与不同的分类算法进行对比。仿真实验结果表明,该方法相比其他负荷监测方法,减少了训练时间,提高了监测精度。（2）针对家庭用电设备种类增多,容性、感性和阻性负载具有不同的复杂度,传统非侵入式负荷监测存在一定的局限性。为了解决此问题,提出一种基于短时傅里叶变换（Short Time Fourier Transform,STFT）、CNN和长短时记忆网络（Long Short Term Memory Network,LSTM）相结合的非侵入式负荷监测方法,该方法在基于VMD-CNN的基础上,不仅提高了负荷监测的精度,还扩展了NILM在不同家庭中的普适性,首先利用STFT获取负荷功率信号的二维时频特征作为CNN的输入,然后通过卷积计算提取更深层次的特征输入到LSTM网络中进行负荷监测。同时,在负荷监测过程中引入边缘节点协同云平台的理念来增加实用价值。最后,在UK-DALE数据集上进行仿真实验,并与不同的分类算法进行对比。仿真实验结果表明,该方法显著提高了负荷监测的运算效率和准确率,具有较好的普适性。