随着“碳达峰、碳中和”国家战略的提出,我国的能源改革步入到一个崭新的发展阶段,需求侧能源管理的重要性日益凸显,用电监测能力作为能源需求侧管理的基础,决定着供需侧管理的精细化程度。对于供给侧而言,通过对用户负荷进行监测,获取用户实时用电数据,为相关电力政策的制定提供数据支撑,为用户改善用电行为提供建议,进而实现更有效的需求侧管理。现今负荷监测技术分为侵入式与非侵入式两种。侵入式负荷监测的优势在于收集的数据精确可信,劣势主要是经济成本较高、技术有效实现性不足。因此,非侵入式负荷监测技术受到研究人员的广泛关注,该技术主要通过采集电力总入口处的用电数据,通过对数据实时进行分析,实现对负荷用户的实时有效监测。该方式经济成本较低、实施难度小且用户接受程度较高。考虑到当前非侵入式负荷监测算法对功率较小、负荷曲线相似的电器辨识不理想,负荷监测算法普适性不高,负荷数据时序性缺失等问题,本文展开了一种新的非侵入式负荷监测的研究。主要研究内容分为以下四部分:（1）总结并分析了非侵入式负荷监测领域的国内外研究现状,针对现有研究中存在的问题,提出了一种AI深度学习网络的非侵入式负荷监测框架。同时搭建了非侵入式用户电力数据采集装置,并从时域、频域、暂态、稳态等多个角度分析了典型负荷特征。（2）通过分析自组织神经网络（Som神经网络）与K-means聚类算法的优缺点,提出多特征联合稀疏表达的负荷聚类算法。首先,利用特征提取算法,获取负荷特征,通过对比分析将特征进行划分,利用负荷特征对字典进行优化。然后,结合多特征联合范数构建目标函数,求解得出多特征联合稀疏矩阵,最后,通过Som神经网络优化的K-means算法对稀疏矩阵进行快速聚类。（3）研究了一种基于上采样金字塔结构的卷积神经网络负荷辨识算法。首先,利用上采样网络扩展负荷数据在时间维度上的相关信息,弥补负荷数据的时序性,然后,通过双向金字塔一维卷积提取负荷信号的高级与低级特征,使负荷特征得到充分利用。最后,通过设计的上采样金字塔结构优化神经网络模型,实现对负荷进行辨识的目的。实验结果显示,上采样金字塔结构的卷积神经网络负荷辨识算法识别准确率能够达到95.21%,有效的提升了负荷辨识的准确率。（4）利用AI模块构建非侵入式负荷监测系统,分别介绍了 ModelArts平台、Atlas-200DK智能芯片。结合ModelArts平台与Atlas-200DK芯片构建非侵入式负荷监测系统。通过实际应用场景采集的数据,进行负荷辨识。