非侵入式负荷监测的负荷监测方法指的是,能够利用安放于特殊位置的装置,完成对整个架构内的所有设备的识别和监测,获得的分解结果可不仅让用户直接了解各设备的用电行为,并能够在基于用电行为,为更多的服务和技术提供庞大的数据基础和支撑。现有的常用的用电设备分解方案主要通过采集的电气设备的电气数据转换成电气特征作为训练数据,同时也有包括使用频率和使用时长等非电气数据的结合,然后运用优化算法或者是机器学习的模型等进行进一步的负荷监测。但目前阶段存在的问题是并没有很好的分解方法能够高通过单一监测点精确地识别设备。现实生活中,单一的检测方法是暂时做不到识别所有设备,所以本文将从实际出发,从另一角度提出新的方案。针对以上问题,本文提出基于网络拓扑的非侵入式用电负荷分解方法。首先,用电设备的电气信息需要进行采集,利用数据生成的技术对多种复杂用电组合情况进行模拟,并产生充分的训练数据。其次,使用目前相对优秀的机器学习算法进行测试,以避免在他人研究中测试设备数量及种类的限制与本文提供设备的不同产生不一致的算法结果。第三,基于现实的使用环境,抽象出其电气网络拓扑,进而生成网络拓扑结构,用于实现和模拟现实场景,并在此场景内使用遗传算法进行优化求解。在一定条件下,从用户角度出发,实现全局负荷分解。最后,本文采用常用的REDD公开数据以及某工厂的真实电气数据和网络拓扑进行试验,并且从两种不同的评判标准出发,由于从用户角度出发,我们从准确率(ACC)、F1-measure、均方根误差中,选择精确率作为本文的主要指标。实验结果表明所提出的基于网络拓扑的非侵入式用电负荷分解方法可以有效地实现全局用电负荷的分解,并能在现实条件中更好的应用,所以具有较高的泛化性能。