本发明提供了一种基于seq2seq的非侵入式负荷分解方法，包括一下步骤：第一步：设计seq2seq模型；第二步：功能提取；使用Conv1D在一维尺度上对功率序列进行卷积和池化，依靠多个相同权值的卷积核提取功率特征；第三步：(3)基于LSTM的负荷识别；第四步：seq2seqBCL负荷分解。针对目前非侵入式负荷分解方法在低频采样条件下(1Hz及以下)分解准确率较低的问题，发明提出的一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的seq2seq的非侵入式负荷分解算法(seq2seq Based on CNN and LSTM，seq2seqBCL)。该深度学习模型将功率时间序列作为网络的输入，通过CNN做特征提取。考虑到电力数据的时序性，增加了LSTM层进行电器识别，相比于NILMTK中seq2seq模型降低了网络层数，简化了网络结构。
