通过引入一种新颖的深度学习模型，该文章提出了一种改进的多标签非侵入式负载监测分类方法，以提高计算和能源效率，并且通过使用合成数据集进行测试，提出了一种比较不同模型的方法，从而更好地代表实际场景，相较于现有技术，该模型在减少碳足迹超过 23% 的同时，在以 REFIT 和 UK-DALE 数据集派生的数据上平均提供约 8 个百分点的性能改进。

Jul, 2023

提出了一种利用深度学习解决非侵入式负载监测（NILM）问题的方法，包括解决家用和场地级别的 NILM 问题以及家电识别等相关问题，利用低频 REED 数据集和 REFIT 数据集对模型进行训练和测试，能够达到最高 94.6％ 的准确率，为实现节能方案提供参考。

Jan, 2023

本文综述了基于深度学习的最新非侵入式负载监测方法，介绍了最适用于住宅负载的最准确方法，总结了 NILM 评估的公共数据库，并使用标准性能指标比较了方法。

Jun, 2023

本研究使用深度学习方法来对非侵入式负载监测（NILM）进行数据脱密，使用神经网络和 UK-Dale 数据集来加速学习效率和分析能耗。

Mar, 2023

提出了一种用于家庭电器监测和功耗识别的非侵入式负载监测（NILM）方法，通过拆分整个房屋的总功耗信号来识别各种家用电器的状态和功耗。通过有限的标记数据和训练高效的样本增强方法，可以实现体现整体功耗监测的负载识别性能。

Jul, 2023

本文提出了一种基于卷积神经网络的 “序列到点”（sequence-to-point）学习方法，用于解决能源分解中的非识别性问题，并通过在真实家庭能源数据上的应用证明了其比现有方法具有更高的性能。

Dec, 2016

本研究提出了一种旨在从低频功率数据中进行精确区分的混合学习方法，它采用卷积神经网络（CNN）和双向长短期记忆网络（BILSTM）的整合，包含一个集成的注意力机制。经过模拟实验使用现有低频 REDD 数据集评估该模型性能，结果表明我们提出的方法在准确性和计算时间方面超过了现有方法。

Nov, 2023

使用深度神经网络进行实时，多设备源分离的，全卷积的非侵入式负荷监测，优于现有技术

Aug, 2022

该研究综述了近期针对住宅电器的非侵入式负载监测方法，分析总结了大量发表的学术文章，讨论了方法的亮点和应用问题，并强调了传统分解模型向实际可信框架的转化的必要性。

Jul, 2022

本篇论文研究针对非侵入式负载监测 (Non Intrusive Load Monitoring) 或能源分解 (Energy Disaggregation) 问题，提出了一种基于双向 (非因果) 扩张卷积的序列至点学习框架，与现有算法进行了比较，实验证明该方法优于其他方法。

May, 2020