1.基于神经网络的家用电器负荷调控系统，其特征在于：包括电路信息监测单元、用电性能分析单元、负荷风险评估单元和预警管理调控单元，电路信息监测单元、用电性能分析单元、负荷风险评估单元和预警管理调控单元之间信号连接；

电路信息监测单元用于采集电路信息，其中，电路信息包括用户总线的用电参数以及家用电器的用电参数，预设用电总线电性连接有N0个家用电器，设置信息采集周期Tc对电路信息进行定时采集；

用电性能分析单元用于分析电路信息：先通过分析N0个家用电器的电能消耗情况以及用户总线的电能供给情况，对比测算电能转换效率，从而评估家居用电状态，再分析用电的安全性和稳定性，从而综合评估用电性能；

负荷风险评估单元用于深度分析用电性能：通过对用电性能进行延伸分析，设置用电性能风险区间，判定家用电器负荷风险程度，并反馈分析定位高风险家电，生成相应的预警管理信号及电器调控信号；

预警管理调控单元用于接收信号并进行相应的家用电器负荷调控处理操作；

基于神经网络设计构建用户电能分析模型，并通过用电性能分析单元和负荷风险评估单元进行数据处理，其中，用户电能分析模型的构建过程为：Sa：构建电路信息分析模型对电路信息进行初步分析处理：

Sa-1：构建用电参数分析模型进行电路信息预处理；

Sa-2：分析获取电能转换效率ηz与电路耗能指数Zh；

Sa-3：通过电能转换效率ηz与电路耗能指数Zh相结合，生成家居用电评估系数Xjd；

Sb：构建用电曲线分析模型对家居用电评估系数Xjd进行用电性能分析：Sb-1：构建家居用电评估系数Xjd信息采集周期Tc的动态曲线图S0；

Sb-2：构建波动分析模型对曲线S0进行稳定性分析，生成曲线稳定性系数φs；

Sb-3：构建风险分析模型对曲线S0进行安全性分析，生成曲线安全性系数δs；

Sb-4：通过曲线稳定性系数φs和曲线安全性系数δs相结合，生成用电性能评估指数Zxn；

Sc：构建性能深度分析模型对用电性能评估指数Zxn进行深度分析：Sc-1：设置用电性能风险区间，通过区间对比生成相应的预警管理信号；

Sc-2：设置预警管理信号级别的阈值，通过阈值对比判定是否进行反馈分析定位高风险家电；

Sc-3：设置家用电器Q的电能消耗系数Xqx的阈值，通过阈值对比判定家用电器Q是否为高风险家电，若判定家用电器Q为高风险家电，则生成并输出相应的电器调控信号。

2.根据权利要求1所述的基于神经网络的家用电器负荷调控系统，其特征在于：采集电路信息的具体过程为：用电参数包括电压、电流和用电量，标记任一用户总线为H，标记用户总线H的电压为Uh、电流为Ih、用电量为Wh；

预设用户总线H电性连接有N0个家用电器，标记任一家用电器为Q，家用电器Q的电压为Uq、电流为Iq、用电量为Wq。

3.根据权利要求2所述的基于神经网络的家用电器负荷调控系统，其特征在于：构建电路信息分析模型的具体过程为：A1：先构建用电参数分析模型对电路信息进行分析：

A1-1：标记用电参数分析模型的输入信息为信息采集周期Tc内的电压U0、电流I0和用电量W0；

A1-2：通过电压U0与电流I0相结合，获取在当前信息采集周期Tc内的电路功率P0；

A1-3：进而通过电路功率P0和用电量W0相结合，分别为电路功率P0和用电量W0赋予相应的权重因子系数，从而获取并输出电路能源指数Zn；

A2：再将电路信息代入到用电参数分析模型中进行预处理：

A2-1：先输入用户总线H的用电参数到用电参数分析模型中，获取相应的电路能源指数Zn并将其标记为用户总线H的电路供能指数Zg；

A2-2：再输入家用电器Q的用电参数到用电参数分析模型中，获取相应的电路能源指数Zn并将其标记为家用电器Q的电能消耗系数Xqx；

A3：进而通过N0个家用电器的电能消耗系数Xqx相结合，获取家用电器的电路耗能指数Zh；

A4：再通过家用电器的电路耗能指数Zh和用户总线H的电路供能指数Zg相结合，获取电能转换效率ηz；

A5：通过电能转换效率ηz与电路耗能指数Zh相结合，生成家居用电评估系数Xjd，评估家居用电状态。

4.根据权利要求3所述的基于神经网络的家用电器负荷调控系统，其特征在于：构建用电曲线分析模型的具体过程为：A6-1：以家居用电评估系数Xjd为纵坐标、以信息采集周期Tc为横坐标，构建家居用电评估系数Xjd-信息采集周期Tc的动态曲线图S0；

A6-1-1：采集曲线S0上的全部点及坐标，预设曲线S0有n0个点，标记曲线S0的任一点为i，点i的坐标为(Xi，Yi)，将离点i最近的点标记为j(Xj，Yj)；

A6-1-2：进而测算获取点i的斜率Ki；

A6-2：构建波动分析模型：预设输入集合M，通过波动分析模型进行数据处理，输出元素均值JZ和元素波动系数σm；

A6-3：将n0个点的纵坐标整合为集合M1，将n0个点的斜率整合为集合M2，将集合M1和集合M2依次代入到波动分析模型中，输出相应的元素均值及元素波动系数；

其中，将集合M1经波动分析模型处理后输出的元素均值及元素波动系数分别标记为曲线整体值Yz和曲线波动系数σz；将集合M2经波动分析模型处理后输出的元素均值及元素波动系数分别标记为曲线增率Ks和增率波动系数σk；

A6-4：再对曲线进行稳定性分析：通过增率波动系数σk和曲线波动系数σz相结合，生成曲线稳定性系数φs；

A6-5：构建风险分析模型：输入曲线S0到风险分析模型中，设置家居用电评估系数Xjd的阈值，判定家居用电状态是否合格，并提取曲线S0中家居状态不合格的全部曲线片段，再对曲线进行安全性分析，生成曲线安全性系数δs；

A6-6：通过曲线稳定性系数φs和曲线安全性系数δs相结合，生成用电性能评估指数Zxn。

5.根据权利要求4所述的基于神经网络的家用电器负荷调控系统，其特征在于：构建波动分析模型的具体过程如下：A6-2-1：标记输入信息为集合M，集合M包含n0个元素值，标记任一个元素值为m；

A6-2-2：通过求取n0个元素值的平均值，获取元素均值JZ；

A6-2-3：进而求取n0个元素值的标准差，获取元素波动系数σm；

A6-2-4：输出元素均值JZ和元素波动系数σm。

6.根据权利要求5所述的基于神经网络的家用电器负荷调控系统，其特征在于：构建风险分析模型的具体过程如下：A6-5-1：通过测算曲线S0的初始点和末端点的横坐标差值，获取用电总时长Ta；

A6-5-2：设置家居用电评估系数Xjd的阈值为JD，当家居用电评估系数Xjd低于阈值JD时，判定家居用电状态不合格；反之，则判定家居用电状态合格；

A6-5-3：提取曲线S0中低于阈值JD的全部曲线片段，预设有n1个曲线片段，标记其中任一个曲线片段为L；

A6-5-301：通过测算曲线片段L的初始点与末端点的横坐标差值，获取曲线持续时长Tl；

A6-5-302：通过测算n1个曲线片段的曲线持续时长之和，获取用电不合格时长Tb；

A6-5-4：进而通过用电不合格时长Tb与用电总时长Ta相结合，获取用电安全时长占比Te；

A6-5-5：再对曲线进行安全性分析：通过用电安全时长占比Te与曲线整体值Yz相结合，生成曲线安全性系数δs。

7.根据权利要求6所述的基于神经网络的家用电器负荷调控系统，其特征在于：构建性能深度分析模型对用电性能进行深度分析，具体过程为：通过为用电性能评估指数Zxn设置用电性能风险区间，预设有n2个用电性能风险区间，标记任一个用电性能风险区间为Rf；

再进行区间对比：当用电性能评估指数Zxn位于用电性能风险区间Rf内，则判定家用电器负荷风险程度为f级，生成并输出f级预警管理信号；

设置家用电器负荷风险程度f级的阈值FX，当家用电器负荷风险程度f级高于阈值FX时，则进行反馈分析，从而定位高风险家电：通过设置家用电器Q的电能消耗系数Xqx的阈值为XHq，当电能消耗系数Xqx超出阈值XHq时，则判定家用电器Q为高风险家电，生成并输出相应的电器调控信号。

8.根据权利要求7所述的基于神经网络的家用电器负荷调控系统，其特征在于：预警管理调控单元的具体操作过程为：当接收到预警管理信号时，立即编辑相应的预警提示文本并进行可视化呈现，通过预警提示文本从而提示后台管理人员进行相应的处理；

当接收到电器调控信号时，对相应的高风险家电进行动态调控操作，依据用户的行为习惯对家用电器Q设置相应的动态调控方案。