1.一种基于神经网络模型的非侵入式用电负荷识别方法,其特征在于,该方法包括以下步骤:获取用户用电器不同检测周期内的电流信号;
将所述电流信号输入神经网络模型中获得特征图;基于各检测周期内的特征图中不同特征通道的灰度分布获得各检测周期内每个特征通道的参数向量;根据各检测周期与其相邻的上一检测周期同一特征通道的参数向量的分布差异,获得各检测周期内每个特征通道的负载检测数据的相对关联系数;
根据所有检测周期在单个特征通道的负载检测数据的相对关联系数的整体分布差异和所述参数向量,评价每个特征通道的通道信息冗余表现;
在神经网络模型中引入ECA机制,利用通道信息冗余表现确定特征通道的特征重要性权重;基于所述特征重要性权重确定负荷运行状态;
所述获得各检测周期内每个特征通道的负载检测数据的相对关联系数,包括:分别将各周期待分析通道的参考向量中元素的极差记为各周期待分析通道的第一特征值;
计算候选周期与候选周期的上一周期待分析通道的第一特征值之间的第一差异;
根据所述第一差异,获得候选周期待分析通道的负载稳态系数;
计算候选周期待分析通道的参考向量中元素的均值与候选周期的上一周期待分析通道的参考向量中元素的均值之间的第二差异;
计算候选周期待分析通道的负载稳态系数与所述第二差异之间的第二比值;
将所述第二比值的归一化结果确定为候选周期待分析通道的负载检测数据的相对关联系数;
所述候选周期为任一检测周期,所述待分析通道为任一特征通道;
所述评价每个特征通道的通道信息冗余表现,包括:
根据各检测周期待分析通道的负载检测数据的相对关联系数和各检测周期待分析通道的参数向量的模长,得到各检测周期待分析通道的负载影响因子;
根据各检测周期待分析通道的负载影响因子与所有检测周期待分析通道的负载影响因子的平均值之间的差异,得到待分析通道的通道信息冗余表现;
所述根据所述第一差异,获得候选周期待分析通道的负载稳态系数,包括:获取所有周期待分析通道的第一特征值的最大值;
计算所述第一差异与所述最大值之间的第一比值,将所述第一比值的负相关映射结果作为候选周期待分析通道的负载稳态系数。
2.根据权利要求1所述的基于神经网络模型的非侵入式用电负荷识别方法,其特征在于,所述基于各检测周期内的特征图中不同特征通道的灰度分布获得各检测周期内每个特征通道的参数向量,包括:分别对各检测周期内的特征图中每个特征通道中所有像素点的灰度值进行排列,获得各检测周期内的特征图中每个特征通道的参数向量。
3.根据权利要求1所述的基于神经网络模型的非侵入式用电负荷识别方法,其特征在于,所述根据各检测周期待分析通道的负载检测数据的相对关联系数和各检测周期待分析通道的参数向量的模长,得到各检测周期待分析通道的负载影响因子,包括:分别将各检测周期待分析通道的参数向量的模长与同一检测周期待分析通道的负载检测数据的相对关联系数之间的比值,作为各检测周期待分析通道的负载影响因子。
4.根据权利要求1所述的基于神经网络模型的非侵入式用电负荷识别方法,其特征在于,所述根据各检测周期待分析通道的负载影响因子与所有检测周期待分析通道的负载影响因子的平均值之间的差异,得到待分析通道的通道信息冗余表现,包括:分别将各检测周期待分析通道的负载影响因子与所有检测周期待分析通道的负载影响因子的平均值之间的差异的负相关映射值,记为各检测周期待分析通道的第二特征值;
将所有检测周期待分析通道的第二特征值的平均值,作为待分析通道的通道信息冗余表现。
5.根据权利要求1所述的基于神经网络模型的非侵入式用电负荷识别方法,其特征在于,所述利用通道信息冗余表现确定特征通道的特征重要性权重,包括:计算所有特征通道的通道信息冗余表现的累加和;
将各特征通道的通道信息冗余表现与所述累加和的比值,确定为各特征通道的特征重要性权重。
6.根据权利要求1所述的基于神经网络模型的非侵入式用电负荷识别方法,其特征在于,所述基于所述特征重要性权重确定负荷运行状态,包括:将所述特征重要性权重与原始输入特征图进行逐通道乘法运算,获得具有通道注意力的特征图;
基于所述具有通道注意力的特征图对负荷运行状态进行分类,负荷运行状态包括单负荷、双负荷、三负荷、四负荷以及五负荷运行状态。