提升需求侧响应从而更加合理的引导用户用电,以期达到节能减排、可持续发展的目的日益成为时代发展的主题。为实现这一目标,基于用户用电行为的非侵入式负荷监测(Nonintrusive Load Mointoring,NILM)提供了坚实的技术支撑。在NILM工作中依然存在对低功耗、多状态等负荷设备难以准确识别的问题,诸如功率特征等负荷特征重叠的问题也依然难以解决;另一方面,随着人工智能的发展,深度学习已广泛应用与NILM中。但目前深度学习在NILM领域中的使用的算法大多过于追求负荷识别的效果而忽视了实时性。诸如循环神经网络(Recurrent Neural Network,RNN)及其变体长短期记忆((long short term memory,LSTM))等因自身结构受限存在着无法并行运算导致计算运行时间过长的问题,该问题也将直接影响电力部门对用户侧数据的及时掌握。针对上述问题,本文围绕新型机器学习算法在NILM中的应用展开研究,主要工作内容如下:1)从负荷特征与负荷识别算法两方面对NILM的现有研究方法进行了梳理与分类,分别讨论了集成学习和深度学习的内涵,确定了NILM算法评价的指标,为本文所提出NILM算法构建与评估奠定基础。2)利用集成学习可以有效提高简单分类器的特点,提出一种组合集成学习SAMME.R-DT方法。所提出的方法首先采用SAMME.R应用于负荷识别,将Adaboost算法从二分类问题转化为多分类问题,规避了直接采用经典Adaboost算法在对多类电器进行负荷识时每次只能计算两类样本权重,需要多组组合计算。同时选择决策树作为基分类器。经过同四种传统监督学习算法相互对比,发现该算法对低功耗以及多状态电器的识别精度有所提高,且当电器负荷数目逐渐增加时,拥有着更好的鲁棒性。3)为能进一步提升负荷识别的精度,利用深度学习能够有效揭示样本数据的特征及内在规律的特点,采用一种新型RNN变体简单循环神经单元(simple recurrent units,SRU)构建NILM深度学习模型。通过与LSTM以及门控循环单元(gated recurrent unit,GRU)以及SAMME.R-DT算法比较,分析SRU在NILM的工作性能。算例分析表明:1)深度学习网络相对于传统浅层学习在负荷识别方面,经过大量数据训练后,识别效果明显得到了提高,但模型训练也花费了更多的时间;2)SRU相对于LSTM等在负荷识别方面的运行效率有着显著提高,运行速度几乎4倍于LSTM,2.5倍于GRU,且不影响负荷识别精度,这对于促进NILM在实际工作中实时性有着重大意义。