随着社会的不断发展,能源越来越成为人类社会发展的重要支柱,如何高效的利用能源、节约能源受到越来越多的关注。电能作为21世纪的人们日常生活不可或缺的重要资源,如何合理的节电用电成为了目前人们最关心的问题之一。合理节约用电的一个重要研究方向就是通过非侵入负荷识别得到居民用户用电负荷的工作状态,进而了解用户的用电行为习惯,从而制定合理的用电方案以达到节约用电的目的。本文首先论述了非侵入负荷识别的研究背景及意义。然后,分析当前国内外的相关研究现状以及当前非侵入负荷识别技术普遍存在的问题,主要包括:对多工作状态的用电负荷识别准确率不高、电力监测设备难以采集高频暂态数据、多用电负荷叠加使用时无法识别各用电负荷的工作状态等。此外,本文分析了研究非侵入负荷识别问题常用的数据类型主要分为稳态数据和暂态数据,通过对比使用两类数据进行研究的优缺点。然后分析了国内外公开数据集特性,就本文研究的主要内容最终选定了数据集AMPds。并使用电流密度曲线方法提取用电器的工作状态,对数据进行贴标签处理。针对上述问题和负荷数据的特性,本文提出使用深度学习融合方法进行非侵入负荷识别。通过分析多种深度学习方法的特性,选择人工神经网络、自编码网络、循环神经网络等三种深度学习模型作为融合模型的基础,并提出了两种模型。第一种模型是长短期记忆网络与人工神经网络结合神经网络多标签分类器;第二种融合模型是长短期记忆网络与堆栈自编码的融合结合神经网络多标签分类器。最后采用准确率、汉明损失、查准率、查全率和F1值等五种评估指标对两种非侵入负荷识别方法的性能进行评价。实验验证结果表明两种模型均能有效地识别多用电负荷叠加的多种工作状态,且第二种融合模型较第一种模型性能更好。