在能源短缺和环境污染的背景下,为了实现节能减排,碳中和、碳达峰是当前的研究热点。负荷监测通过建立电网与用户的双向互动,让电网能够感知各类用电负荷需求量,能够提高电网的供电效率和社会的经济效益,能够为碳中和、碳达峰目标的实现做出重要贡献。非侵入式负荷监测（Non-Intrusive Load Monitoring,NILM）根据负荷总功率计算某类负荷的分解功率。随着深度学习的应用研究,功率分解误差降低,但是模型的参数量和运算复杂度显著增加,在应用中增加了设备的成本和功耗。深度学习模型依赖于大量的数据进行训练,实际上更容易获得仅包含负荷总功率的无标签数据,而现有研究尚未充分利用无标签数据。针对上述问题,本文提出了基于深度学习的非侵入式负荷监测模型,以实现功率分解误差与运算复杂度之间的平衡。本文以家庭负荷为分解对象,主要工作阐述如下:1)为了得到更好的功率分解效果,提出了基于注意力机制和残差网络的非侵入式负荷监测模型。该模型基于Seq2seq框架,由嵌入层、编码器和解码器组成。嵌入层对输入数据进行降维。编码器包含Bi GRU、注意力机制和残差网络,其中Bi GRU可以学习前后两个方向的功率序列特征;注意力机制可以专注于序列中重要时刻的信息处理;残差网络可以降低模型拟合的难度。解码器包含Bi GRU、全连接层和softmax函数,并输出分解功率的概率分布。在开源数据集上实验,验证了所提模型的平均绝对误差低。2)为了降低模型的运算复杂度并充分利用无标签数据,提出了基于知识蒸馏和半监督学习的训练框架。所提出的具有复杂结构的大模型称为教师网络,而具有简单结构的小模型称为学生网络。利用预训练的教师网络处理无标签数据,并输出分解功率的概率分布,用于指导学生网络的训练。在相同的数据集上实验,与教师网络相比,学生网络的功率分解效果相近,而参数量减少了93.3%,显著降低了运算复杂度。3)为了降低学生网络的分解功率误差,引入集成学习,提出了基于集成学习的迭代训练框架。在教师网络的指导下训练多个学生网络;通过均值法将多个学生网络集成为一个强模型;将强模型作为教师网络,指导多个新的学生网络训练,循环迭代,直到集成的强模型不能获得比学生网络更低的分解功率误差。本文所有实验的测试集与训练集均来自不同的家庭,因此本文模型可以直接应用于新的家庭。