经过数十年的研发投入及建设,国家电网在电网侧已基本达到了泛在物联网的要求,但在电网的用户终端,近四亿台智能电表产生的数据,没有得到充分有效的利用,如何利用这些数据为电力能源管理价值服务,是泛在电力物联网建设的关键。非侵入式电力负荷分解可以从一个测量家庭用电的智能电表估算出家庭中各个电器的使用时间和功率消耗情况,这种技术不仅能满足新时代下智能用电的需求,促进智能电网的发展,还能有效减少电能损耗。近年来,随着能源数据的不断增加,有许多数据驱动的深度学习框架被应用于非侵入式电力负荷分解领域,然而大多数提出的方法仅仅能预测单个电器的使用状态或功率消耗,本文立足于此现状,使用LSTM神经网络对多个负荷同时进行非侵入式电力负荷分解。本文使用UK-DALE数据集进行训练和测试,首先对数据进行提取,然后搭建状态检测网络,使用提取后的数据训练网络,用训练后的网络对多个电器的开关状态进行检测。然后搭建负荷分解网络来识别多个电器的功率消耗。在这项工作中,本文提出的多电器负荷识别神经网络架构,避免了对单个电器重复建模,降低了模型训练成本,将模型训练时间缩短。本文将实验结果与已有的深度学习方法进行对比,负荷检测网络对比指标为识别准确率,负荷分解网络对比指标包括准确度,召回率,F1分数,平均绝对误差四项,证明本文的模型拥有很好的分解效果。