1.一种非侵入式负荷分解模型的超参数优化和后处理方法，其特征在于：该方法包括以下步骤：步骤1：使用电压互感器和电流互感器采集家庭总线处和目标电器的电气运行数据，用于建立模型的数据集；步骤2：基于深度学习理论分别为目标电器构建基于深度残差网络的非侵入式负荷分解模型；步骤3：使用集群贝叶斯优化对非侵入式负荷分解模型的超参数进行寻优；步骤4：分别为目标电器建立其最优的分解模型后，将利用训练集、验证集和测试集对模型中可训练参数进行训练直至收敛；步骤5：对模型的分解结果进行后处理，基于模型预测结果对模型的预测做出修正；步骤2中，目标电器的非侵入式负荷分解模型为一种目标电器对应一种分解模型，不同目标电器之间的非侵入式负荷分解模型互不影响；基于深度残差网络的非侵入式负荷分解模型构建方法如下：在非侵入式负荷分解任务中，将家庭总线处的功率序列看成运行目标电器运行特性的二维图像，使用深度残差网络提取该目标电器运行特征，深度残差网络的基本组成单元是残差块，深度残差网络能直接从输入中提取原始特征，残差块由卷积层、批处理规范化层和激活函数组成，残差块的输出数学表达式为：y l ＝F(x l ,Θ l )+h(x l )x l+1 ＝f(y l )式中：x l 其是残差块的输入；x l+1 是残差块的输出；Θ l 是卷积层的权重矩阵；h(·)是对输入进行升维或降维后的1X1卷积操作；f(·)是激活函数；基于残差块构建基于深度残差网络的非侵入式负荷分解模型，将总负荷功率序列 按预设的滑动窗口长度k进行分段，得到第一段序列 每次滑动将窗口向前移动一个采样点，形成T-k+1个功率序列P＝[P 1 ,P 2 ,…P T-k+1 ] T ，每一段功率序列作为模型的输入，模型的输出为该段序列对应中点时刻目标电器的功率值，首先构建第一个卷积层初步提取负荷的原始特征，然后将若干个残差块进行堆叠，以提取更高级别和更抽象的特征，最后使用若干个全连接层实现总功率序列到该段序列对应中点时刻目标电器的功率值的非线性映射；所述基于深度残差网络的非侵入式负荷分解模型使用最大最小标准化对数据进行线性变换，将数据映射到[0,1]区间，其定义如下：式中：x max 是数据中的最大值；x min 是数据中的最小值；步骤3中，集群贝叶斯优化方法在贝叶斯优化的基础上，引入了集群优化的思想，通过群体的搜索行为和群体内的信息交互实现问题求解的智能性，具体步骤如下：S3.1、初始化最大搜寻次数和搜寻个体总数，在合理范围内为每个个体赋予初始的超参数组合；S3.2、根据每个个体的超参数组合分别构建模型，使用相同的数据集进行训练并获得每个个体对应的超参数组合下模型的指标值；S3.3、对每一个个体，将其超参数组合与群体中模型指标值最好的个体对应的超参数组合进行比较，并按以下公式进行更新：x id ＝x id +rand(0,1)(p id -x id )+rand(0,1)(p gd -x id )式中：x id 是第i个个体第d维度的值；p id 是第i个个体第d维度的最优值；p gd 是群体中第d维度的最优值；rand(0,1)是0到1的随机数；S3.4、若未满足结束条件，则返回步骤S3.2，否则算法结束，群体中模型指标值最好的模型对应的超参数组合为搜寻出来的最优解；贝叶斯优化超参数的算法流程为:S3.1、选择t组超参数，分别计算他们的模型指标值；S3.2、根据当前采样数据x 1:t 和f(x 1:t )更新f(x t+1 )|f(x 1:t )的μ和σ 2 ；S3.3、根据采集函数的极大值确定下一个采样点x t+1 ；S3.4、计算在下一个采样点的处的模型指标值f(x t+1 )；S3.5、回到步骤S3.1重新计算，达到指定的迭代次数或模型性能达到期望的效果后，算法结束；步骤5中，所述后处理方法为：利用模型训练数据的信息，对目标电器的运行规律和趋势进行充分挖掘并记录于模板特征库，以此为依据对合理的激活进行更高精度的修正，对不合理的激活进行剔除。
2.根据权利要求1所述的一种非侵入式负荷分解模型的超参数优化和后处理方法，其特征在于：步骤1中，所述采集家庭总线处和目标电器的电气运行数据，包括有功功率、无功功率和电流有效值；所述目标电器，是指希望从总线数据中分解出来哪种电器的运行状态，所述模型的数据集，是指模型将同一时刻总线处的电气运行数据和目标电器单独的电气运行数据分别作为数据集中的样本和标签，并按比例划分训练集、验证集和测试集。
3.根据权利要求1所述的一种非侵入式负荷分解模型的超参数优化和后处理方法，其特征在于：步骤3中，超参数包括：卷积核大小、卷积核数量、全连接层神经元数量和滑动窗口大小。
4.根据权利要求1所述的一种非侵入式负荷分解模型的超参数优化和后处理方法，其特征在于：步骤4中，所述利用训练集、验证集和测试集对模型中可训练参数进行训练直至收敛中使用Adam优化器、利用梯度反向传播算法对可训练参数进行更新；同时加入earlystopping训练机制，即当验证集的均方误差停止下降达到一定的迭代次数后，强制结束训练。
5.根据权利要求1所述的一种非侵入式负荷分解模型的超参数优化和后处理方法，其特征在于：所述后处理方法具体步骤为：S5.1、通过阈值法记录训练数据中目标电器的最短激活时间；S5.2、通过阈值法记录目标电器功率分解值的每一段激活的持续时间；S5.3、将目标电器功率分解值中激活持续时间小于最短激活时间的激活剔除；S5.4、对剩余激活所对应的总负荷功率区段进行判断，若在该区段内总负荷功率存在相应的功率攀升和下降，那么认为该激活是合理的；否则认为该激活不合理，并将其剔除。
