能源是人类社会存在与发展进步的重要物质基础,随着全球经济的不断发展,能源越发的成为制约人类社会发展的瓶颈,如何高效的利用能源、节约能源受到越来越多的关注。电能作为能源消耗的主力军,如何科学高效的节约电能成为目前人们最为关心的问题。电能节约的热门方法是通过非侵入式负荷识别分析家庭内部用电器的开关状态,进而了解用户的用电行为习惯,从而制定相关政策以达到节电的目标。本文提出了一种新颖的负荷识别算法以解决非侵入式负荷识别问题。非侵入式负荷识别作为一个低成本的可行性方案受到越来越多的相关研究人员关注。非侵入负荷识别算法主要分为两大类:一类是基于事件检测的负荷识别算法,另一类是非事件检测类识别负荷算法。这两类算法中非事件检测类算法的整体识别效果更好,本文提出了一种新颖的非事件检测算法,基于混合神经网络的集成学习方法。该算法将传统的神经网络和能够较好解决时序问题的长短期时序网络相结合,通过长短期时序网络自适应的从原始数据中提取时序特征,结合神经网络构成的分类器进行负荷识别。同时应用基于随机森林的集成学习方法,解决了因引入谐波这种维度高信息含量不均衡的特征而导致识别效果下降的问题。与传统方法相比,基于混合神经网络的集成学习方法在识别准度和运行时间上均取得了较好的结果。