智能电网的建设依靠各个节点的态势感知,而居民用户负荷监测作为智能电网的“神经末梢”,其用电特征对于推进智能电网需求侧管理具有重要意义。提取居民负荷用电特征的关键是非侵入式负荷监测(Non-intrusive Load Monitoring,NILM)技术,NILM技术依靠智能算法对居民负荷进行分解,从而得到每一时刻居民负荷的组成,对服务用电用户、管理电网能源和电网的错峰调度都具有重要意义。在分析了国内外对于NILM研究的基础上,将K-means数据清洗和深度序列翻译方法应用到负荷分解模型中,主要完成的工作如下:居民负荷数据中存在的一些异常数据会影响负荷分解的准确率。分析居民负荷波动性造成信号分解准确率低的原因,以k-means聚类算法为基础,结合非侵入式负荷数据特点,对负荷设备启停和噪声引起的波动数据进行清洗,剔除异常值,同时得到负荷设备实际运行过程中稳定的负荷值,构建新的负荷分解模型提高分解准确性。研究居民负荷分解在时间前后具有关联性,即每一时刻居民负荷的分解都与过去时刻分解的结果有关。因此,将深度学习中的时间序列处理方法运用到负荷分解中来,构建了深度序列翻译(Sequence to Sequence,seq2seq)的非侵入式负荷监测模型,并通过深度学习理论和方法对模型进行了训练和评价。选取非侵入式负荷监测AMPds数据集中的洗碗机、干衣机、冰箱、热水器、电视机、地下室灯六种电器设备,利用python语言和TensorFlow技术搭建了实验仿真模型,通过与其它算法对比发现,所提新算法具有更高的准确性和稳定性。并结合电网实际情况,在文章最后探讨了非侵入式负荷分解的一种可能应用。非侵入式负荷分解涉及到的处理技术较为广泛,与深度学习技术相结合,提出的负荷分解方法为居民负荷数据的分解探讨提供了新的研究方向。