非侵入式负载监测通过单一传感器有效准确地监测住宅单个电器设备的能源消耗，对全球关注的节能减排问题有着至关重要的效用。除此之外，非侵入式负载监测还能有助于优化智能电网的能源管理，改进家电设计，提升运作效率。传统的负载监测方法存在着分辨率低和实时性差的弱势，特别是在家居智能化的多变场景下，既有的算法模型无法满足高精度和强迁移性的要求。
　　深度学习在相关问题中表现良好，特别是对于数据量庞大的样本，可以有效进行特征提取，避免繁杂冗余的数据建模，基于高效的深度神经网络，本文提出了跨场景的实时非侵入式负载监测方法，重点研究如何在不同的用电场景下提升模型的泛化能力和鲁棒性。
　　针对不同用电场景下待识别电器易淹没于背景负载的难点，论文提出了一种可抗背景负载噪声干扰的拼接神经网络模型。该方法将样本分成背景负载和混合负载两个部分，通过深度卷积神经网络分别提取特征，利用电路模型中背景负载特征在短时间内相对稳定的特性，在特征层面对混合负载特征进行特征转换，最终得到相对纯净的待测目标负载特征进行识别。实验结果表明，本方法既可以提升负载类型识别的效果，又能降低负载能量分解的误差，而且在不同的真实场景家用电器数据集上表现良好，鲁棒性好。
　　同时，为了解决传统算法模型在多模式电器和不同的用户域中难以泛化的弱点，论文提出了一种用于域泛化的度量学习网络。该方法引入域泛化问题的解决方案，借助度量学习的思想，设计了辅助相似性模块，学习不同数据域数据的相似性，使得具有相同标签的不同样本在特征空间内获得统一泛化的表达，有利于算法模型应用于新的用户场景。实验结果表明，本方法既在非侵入式负载监测任务下表现良好，还可以媲美计算机视觉领域下的前沿结果，在多个数据集上表现较好。