1.一种基于单传感器的家庭智能用电模型建立方法，其特征在于，包括如下步骤：

S1、家庭用电数据的采集与处理：使用一个测电传感器连续采集家庭总用电数据，并将采集到的全部原始不规律且有噪声的数据利用噪声点去除、中值滤波和插值的方法进行处理；

S2、家庭用电数据的峰值提取与分类：将处理后的家庭总用电数据进行峰值提取，分离出峰值与基础值；然后对分离出的峰值进行分类，将拥有相似的电量与持续使用时间的峰值分为一类；

S3、平行用电器识别与分解：对峰值分类中来自平行用电器的峰值进行识别与分解，使平行用电器分解后的每种单一用电器重新进行分类，并重复该过程直至峰值分类的个数与用电器个数相同为止；

S4、事件概率模型建立：将每种用电器分别采用一个高斯混合概率模型描述相应的虚拟用电器模型，并用贝叶斯信息准则来判定高斯的个数，其中，每一个高斯模型称为一个“事件”，事件概率模型为多个事件的集合；

其中，建立事件概率模型的具体步骤为：设虚拟用电器{a1,a2,...,aj,...,an}，设事件总集合为：其中， 表示为第j个用电

器aj的第i个事件；电量值wt，起始时刻tk，持续时间d0服从一个数学期望为 方差为的正态分布： 因此，发生事件 时，从起始时刻tk开始，持续使用时间d0，产生电量值wt的概率为P，依次发生以上事件的概率集合为事件概率模型，即：

S5、基础值模型建立：采用分季节、分工作日与周末、分时间段的方法对基础值进行分类并函数拟合获得表示用电器a在时间t时开始使用，持续使用时间d，消耗平均瞬时电量w的基础值模型；

S6、家庭总用电模型建立：采用随机采样的方法，将事件概率模型生成事件模型，并结合基础值模型建立家庭总用电模型。

2.根据权利要求1所述的基于单传感器的家庭智能用电模型建立方法，其特征在于，步骤S1中，所述家庭总用电数据包括连续时间内每个时间点对应的所有家用电器总电量数据，即每个时间点均对应采集一次所有家用电器的实际用电功率；其中，采样频率小于1s，并使经过噪声点去除、中值滤波和插值的方法进行处理后的数据达到频率为1s。

3.根据权利要求1所述的基于单传感器的家庭智能用电模型建立方法，其特征在于，步骤S2中的峰值提取采用高斯尺度空间滤波方法。

4.根据权利要求3所述的基于单传感器的家庭智能用电模型建立方法，其特征在于，所述高斯尺度空间滤波方法具体步骤为：将家庭用电数据与不同尺度的高斯函数做卷积运算得到多条平滑曲线；然后分别在每条平滑曲线上寻找拐点并生成区间树；最后，在区间树上按照尺度由高至低对每个区间依次与设定的阈值进行比较，将低于阈值的设定为基础值，否则继续判定其子区间，直到不存在子区间，设定其为峰值；其中，所述阈值包括该区间的电量的平均值阈值与标准差阈值。

5.根据权利要求1所述的基于单传感器的家庭智能用电模型建立方法，其特征在于，步骤S2中的峰值分类的方法为：通过电量值wi、标准差si、起始时刻t0i和持续时间di对峰值pi进行描述pi(wi,si,t0i,di)，其中，峰值的电量值采用聚类的方法获得，峰值的标准差利用傅里叶变换到频域再获取标准差；然后应用马氏距离计算任意两个峰值的相似度，将相似度相近的峰值归为同一类。

6.根据权利要求1所述的基于单传感器的家庭智能用电模型建立方法，其特征在于，步骤S3中，平行用电器识别与分解的具体步骤为：首先，采用试凑法识别平行用电器，将多组单一用电器曲线进行两组和两组以上叠加，并与目标平行用电曲线进行相似性对比，确定平行用电器的叠加方式；然后采用基于贝叶斯理论的最大似然估计法来分解平行用电曲线。

7.根据权利要求1所述的基于单传感器的家庭智能用电模型建立方法，其特征在于，步骤S6中，家庭总用电模型建立的具体步骤为：以时间从零点零分一秒为开始，如果此时发生某个事件的概率为零，则此时的电量值为零，再继续判定下一时刻；若此时的事件概率不为零，则随机选取发生在此刻的多个事件中的一个，然后，生成服从正态分布的随机数作为持续使用时间d0，最后，生成服从正态分布的d0个随机数作为瞬时电量，以此类推，直至时间到达86400s结束，家庭总用电模型生成。