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
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
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。
本研究通过采用深度学习算法，对非侵入式负载监测（NILM）处理链进行改进和简化，实现自动化特征提取和家电识别，取得优于传统机器学习方法的表现。
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
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
本研究针对分布式能耗监测框架中的 DP2-NILM 机制进行实验，将联邦学习（FL）技术与隐私保护和功用优化相结合，采用现实中的实测数据对方案进行了评估。
Jun, 2022
本研究提出了一种基于 WaveNet 的因果 1-D 卷积神经网络方法，通过使用复杂电力信号的四个分量来实现非侵入式负荷监测，实现了能效目标。实验结果表明，与同一数据集上现有的结果相比，我们的方法收敛更快、性能更高。
Feb, 2019