1.一种基于SResNet‑SCNN‑BiLSTM网络的非侵入式负荷监测方法，其特征在于，具体步骤如下：从家庭用电数据集中选取各电器的负荷数据得到总功率序列，并对所述总功率序列进行预处理，得到初始样本数据集；

利用CGAN网络对所述初始样本数据集进行扩充，得到扩充样本数据集；

结合改进残差网络和SCNN‑BiLSTM网络构建负荷分解网络模型，利用所述改进残差网络提取特征输出高维特征图，对所述高维特征图进行重塑，并利用SCNN对重塑后的高维特征图进行空间特征提取，并调整为适合BiLSTM的特征矩阵；利用所述扩充样本数据集对所述负荷分解网络模型进行训练；

利用训练好的负荷分解网络模型，对待识别家庭总用电负荷进行识别分解，得到各不同电器的负荷；

所述负荷分解网络模型，利用改进的残差网络对所述扩充样本数据集中的样本数据进行特征提取，得到样本数据的高维特征图，经第一重塑层调整后得到第一特征图；利用SCNN网络对所述第一特征图进行空间特征提取得到第二特征图，经第二重塑层调整后得到特征矩阵；利用BiLSTM网络将所述特征矩阵转化为多个时序序列张量，然后从两个方向提取所述时序序列张量的上下文特征，全连接层根据所述上下文特征，输出各电器的负荷功率；

所述改进的残差网络包括开始阶段、四个主要阶段、结束阶段；各阶段的首个残差模块通过步幅为2的卷积层使特征图大小减半，通道数增加，所述特征图的大小代表特征图的空间分辨率，所述特征图的通道数为提取的特征信息组成的特征图数；各所述主要阶段使用残差模块中的卷积层进行特征提取，卷积层后连接批归一化层，所述批归一化层后连接ReLU激活函数；

所述SCNN网络将所述第一特征图分别按垂直和水平方向进行切片，对垂直切片后的切片分别按从上到下和从下到上的顺序进行卷积叠加操作，对水平切片后的切片分别按从左到右和从右到左的顺序进行卷积叠加操作；所述卷积叠加操作为对第一个切片进行小卷积并将卷积结果叠加到下一个切片，直至叠加到达最后一个切片；

所述BiLSTM网络内部使用循环连接对所述时序序列张量之间的全局依赖关系进行学习，公式为：其中， 和 代表了输入门和输出门，σ代表了sigmoid函数， 和 表示权重矩阵，*表示了偏置； 代表了第l层在第i个时间步的输入向量，v代表了输入it的权重向量，v代表了 的权重向量，t代表了时间步，it表示在时间步t的输入门激活值，ht+1表示反向LSTM在下一个时间步t+1的隐藏状态；

所述全连接层输出为y＝[y1,y2,…,yn]，其中y为一个n维向量，n为电器总数，yi表示第i个电器的功率，全连接层通过下式进行分解：y＝σ(WF+b)；

其中，σ是激活函数，b是偏置向量，W是全连接层的权重矩阵。

2.根据权利要求1所述的一种基于SResNet‑SCNN‑BiLSTM网络的非侵入式负荷监测方法，其特征在于，所述预处理包括：根据所述各电器的负荷数据的时间戳信息，对所述各电器的负荷数据进行数据对齐；

使用后向填充方法对数据对齐后的各电器负荷数据中的缺失值进行填充；

根据所述总功率序列中的电器类型，为样本数据赋予类别标签。

3.根据权利要求2所述的一种基于SResNet‑SCNN‑BiLSTM网络的非侵入式负荷监测方法，其特征在于，所述CGAN网络包括生成器和鉴别器；所述生成器根据所述总功率序列和所述类别标签，通过对所述总功率序列添加潜在的随机噪声，生成一个与真实数据分布相似的样本数据；所述鉴别器根据输入样本数据的以及对应的所述类别标签，判断所述输入样本数据的真实性，并输出一个二值判断结果；交替训练所述生成器和所述鉴别器，训练完成后利用训练好的所述生成器生成新的样本数据，对所述初始样本数据集进行扩充。

4.根据权利要求1所述的一种基于SResNet‑SCNN‑BiLSTM网络的非侵入式负荷监测方法，其特征在于，所述利用所述扩充样本数据集进行训练中：使用MSE作为损失函数，公式如下：

其中，ai代表了特征向量，g(ai)表示输出向量，ui为目标标签向量，D代表了数据集中样本的数量；

采用Adam优化器训练模型，并使用平均绝对误差和信号聚合物差作为评价指标，公式如下：其中，MAE为平均绝对误差，SAE为信号聚合物差， 为电器j在时刻t的功率估计值，为实际值，T为研究周期的长度； E分别为电器设备的真实总能耗和预测总能耗，

5.一种基于SResNet‑SCNN‑BiLSTM网络的非侵入式负荷监测系统，其特征在于，包括：数据获取模块：从家庭用电数据集中选取各电器的负荷数据得到总功率序列，并对所述总功率序列进行预处理，得到初始样本数据集；

数据扩充模块：利用CGAN网络对所述初始样本数据集进行扩充，得到扩充样本数据集；

模型训练模块：结合改进残差网络和SCNN‑BiLSTM网络构建负荷分解网络模型，利用所述改进残差网络提取特征输出高维特征图，对所述高维特征图进行重塑，并利用SCNN对重塑后的高维特征图进行空间特征提取，并调整为适合BiLSTM的特征矩阵；利用所述扩充样本数据集对所述负荷分解网络模型进行训练；

识别模块：利用训练好的负荷分解网络模型，对待识别家庭总用电负荷进行识别分解，得到各不同电器的负荷；

所述负荷分解网络模型，利用改进的残差网络对所述扩充样本数据集中的样本数据进行特征提取，得到样本数据的高维特征图，经第一重塑层调整后得到第一特征图；利用SCNN网络对所述第一特征图进行空间特征提取得到第二特征图，经第二重塑层调整后得到特征矩阵；利用BiLSTM网络将所述特征矩阵转化为多个时序序列张量，然后从两个方向提取所述时序序列张量的上下文特征，全连接层根据所述上下文特征，输出各电器的负荷功率；

所述改进的残差网络包括开始阶段、四个主要阶段、结束阶段；各阶段的首个残差模块通过步幅为2的卷积层使特征图大小减半，通道数增加，所述特征图的大小代表特征图的空间分辨率，所述特征图的通道数为提取的特征信息组成的特征图数；各所述主要阶段使用残差模块中的卷积层进行特征提取，卷积层后连接批归一化层，所述批归一化层后连接ReLU激活函数；

所述SCNN网络将所述第一特征图分别按垂直和水平方向进行切片，对垂直切片后的切片分别按从上到下和从下到上的顺序进行卷积叠加操作，对水平切片后的切片分别按从左到右和从右到左的顺序进行卷积叠加操作；所述卷积叠加操作为对第一个切片进行小卷积并将卷积结果叠加到下一个切片，直至叠加到达最后一个切片；

所述BiLSTM网络内部使用循环连接对所述时序序列张量之间的全局依赖关系进行学习，公式为：其中， 和 代表了输入门和输出门，σ代表了sigmoid函数， 和 表示权重矩阵，*表示了偏置； 代表了第l层在第i个时间步的输入向量，v代表了输入it的权重向量，v代表了 的权重向量，t代表了时间步，it表示在时间步t的输入门激活值，ht+1表示反向LSTM在下一个时间步t+1的隐藏状态；

所述全连接层输出为y＝[y1,y2,…,yn]，其中y为一个n维向量，n为电器总数，yi表示第i个电器的功率，全连接层通过下式进行分解：y＝σ(WF+b)；

其中，σ是激活函数，b是偏置向量，W是全连接层的权重矩阵。