1.基于BGAIN‑DD网络的非侵入式负荷分解方法，其特征在于，包括如下步骤：步骤1.获取UK‑Dale数据集中的低频功率数据进行预处理，并将预处理后的数据集划分为训练集、测试集；其中训练集以及测试集中的数据均是完整数据；

步骤2.搭建包括输入层、生成器、双向判别器以及输出层在内的BGAIN网络，并使用完整的训练集数据对BGAIN网络进行模型训练；

双向判别器包括前向判别器以及后向判别器；

其中，生成器用于生成数据，通过BGAIN网络模型训练，使双向判别器无法判别数据是否来自真实数据；

前向判别器和后向判别器则分别从前向和后向两个方向对中间时刻总功率填补数据进行真假判别，进而实现从历史和未来两个时间维度上对数据进行填补；

步骤3.搭建包括输入层、特征提取层、逻辑提取层以及输出层在内的DD网络，并使用完整的训练集数据对DD网络进行模型训练；

所述步骤3具体为：

构建DD网络，在DD网络逻辑提取层前加入一层隐藏层和激活函数构成特征提取层，改进后的DD网络由输入层、特征提取层、逻辑运算层以及输出层构成；

计算流程具体步骤如下：

步骤3.1.构建全1向量L，并将填补后的总功率X”和向量L送入DD网络的输入层；

步骤3.2.特征提取层提取输入层特征，并输出特征Zj；

Zj表示如下：

其中，Zj表示第j个神经元的输出，J为神经元的个数，j＝1,2,3,...,J；

Xs为第s个输入，S表示输入数据个数，s＝1,2,3,...,S；ωsj表示第s个输入数据和第j个神经元之间的连接权重，σ为ReLU激活函数，bj为第j个神经元偏置参数；

步骤3.3.将特征Zj送入逻辑提取层进行逻辑运算；

步骤3.4.基于自动求导机制即反向传播算法进行训练，输出最终预测值；

步骤4.构建一个与功率数据维度大小一致的掩码矩阵M，并在M上随机取W个值设0，以表示缺失数据，其余值设为1，以表示完整数据；

将掩码矩阵M与测试集数据进行哈达姆积运算得到随机缺失数据集；

将随机缺失数据集送入训练好的BGAIN网络进行数据填补，并将填补后的数据送入训练好的DD网络进行负荷分解，实现对BGAIN网络和DD网络测试；

步骤5.将待分解的低频功率数据进行预处理，并将预处理后的数据输入到训练并测试好的BGAIN网络和DD网络中进行数据填补以及负荷分解，得到最终的电器功耗数据。

2.根据权利要求1所述的基于BGAIN‑DD网络的非侵入式负荷分解方法，其特征在于，所述步骤1中，预处理包括重采样以及归一化处理操作；

使用UK‑Dale数据集，选取预设时间段内的低频功率数据，并将原始总用电功率X和k个电器有功功率Y分别进行重采样；

对采样后的数据进行min‑max标准化处理，如公式(1)所示；

其中，Xnorm为标准化后的数据；

X为原始数据，Xmax、Xmin分别为原始数据的最大值和最小值；对标准化后的数据进行数据分割划分为训练集、测试集；其中，训练集、测试集数据均是完整数据。

3.根据权利要求1所述的基于BGAIN‑DD网络的非侵入式负荷分解方法，其特征在于，所述步骤2中，BGAIN网络的训练过程如下：步骤2.1.将一维噪声向量z～pg(z)送入生成器G中，生成伪数据 并将划分为前向填补数据 目标填补数据 后向填补数据其中，z～pg(z)表示噪声向量z满足联合高斯分布pg(z)，i＝1,2,3,...,n‑2TS，n表示数据点个数，Ts为滑动窗口大小，且每次向右滑动1个步长；

步骤2.2.将真实完整的总功率数据 与 送入前向判别器中，将真实完整的总功率数据 与 送入后向判别器中；同时对进行真假判别，并输出平均真假概率矩阵Preal和Pfake；

步骤2.3.根据概率矩阵Preal和Pfake，建立博弈过程的目标函数 并引入Wasserstein距离代替优化JS散度对真实数据和生成数据进行距离量度；

步骤2.4.构建一个batch_size大小的训练数据，然后根据网络训练目标L(G,D)计算判别器的损失值，此时冻结生成器，只训练双向判别器并使用Adam优化器更新网络参数；

步骤2.5.冻结双向判别器，训练生成器，并使用Adam优化器更新网络参数；

步骤2.6.双向判别器和生成器交替迭代学习，直到双向判别器无法判别是否为真实数据，训练结束。

4.根据权利要求3所述的基于BGAIN‑DD网络的非侵入式负荷分解方法，其特征在于，所述步骤2.2中，输出平均真假概率矩阵Preal和Pfake的具体公式为：其中， 表示i+Ts个数据点的真实完整的总功率数据；

Preal、D(x)均表示对真实数据的判别概率，Pfake、D(G(z))均表示对生成数据的判别概率；D1(·)为前向判别器的输出；D2(·)为后向判别器的输出。

5.根据权利要求3所述的基于BGAIN‑DD网络的非侵入式负荷分解方法，其特征在于，所述步骤2.3中，目标函数 的计算公式如下：其中，x～pr(x)表示总功率数据x服从真实数据分布pr(x)；

表示判别器判断输入数据为真实数据分布的概率期望；

表示判别器判断输入数据为生成数据分布的概率期望。

6.根据权利要求3所述的基于BGAIN‑DD网络的非侵入式负荷分解方法，其特征在于，所述步骤2.3中，Wasserstein距离W(pg(z),pr(x))表示为：其中，x～pr(x)表示总功率数据x服从真实数据分布pr(x)；

sup表示最小上界，K为Lipschitz常数，||f||L≤K表示函数f满足K‑Lipschitz连续；

表示生成器的生成数据， 表示生成数据 服从生成数据分布表示判别器判断输入数据为真实数据分布的概率期望；

表示判别器判断输入数据为生成数据分布的概率期望。

7.根据权利要求3所述的基于BGAIN‑DD网络的非侵入式负荷分解方法，其特征在于，所述步骤2.4中，前向判别器D1损失值和后向判别器D2损失值均用下式表示：其中，R＝1,2分别表示前向判别器D1和后向判别器D2；

为判别器DR判断输入数据为真实数据分布的概率期望；

为判别器DR判断输入数据为生成数据分布的概率期望；

表示梯度惩罚项，下标p为p范数；

为真实数据和生成数据间的随机插值；

其中，ζ服从(0,1)的均匀分布，λ为惩罚项系数， 为梯度算子；

使用判别器的总损失值LD进行网络参数优化，LD表示为：其中， 表示前向判别器D1的损失函数， 表示后向判别器D2的损失函数。

8.根据权利要求3所述的基于BGAIN‑DD网络的非侵入式负荷分解方法，其特征在于，所述步骤2.5中，生成器的损失函数表示为：LG＝1‑D(G(z))；

其中，LG表示生成器的损失函数，D(G(z))均表示对生成数据的判别概率。