技术摘要：
本公开公开了非侵入式电力负荷监测序列生成方法、系统、设备及介质，包括：获取电表的总数据序列；将电表的总数据序列输入到预先训练好的条件对抗生成网络中，预先训练好的条件对抗生成网络输出目标电器的数据序列；其中，所述条件对抗生成网络包括生成网络和判别网络  全部
背景技术：
本部分的陈述仅仅是提到了与本公开相关的
技术实现要素：
，并不必然构成现有技术。 在实现本公开的过程中，发明人发现现有技术中存在以下技术问题： 在电力负荷预测领域，非侵入式电力负荷监测是一个重要的课题。非侵入式电力 负荷监测，又被称为电力数据分解，是一项通过电表监测的总用电情况推测单独用电器用 电情况的技术，因无需在电器设备上装备传感器而被冠以非侵入式。在家庭用电中，通常有 一个总电表，若能够从总电表的监测数据推得单独用电器的用电情况，则能够帮助用户了 解电器的工作行为，及时发现工作状态不正常的用电器，帮助其节约电能。若能够在更大的 地域维度上进行综合，可以帮助调度员更好的进行电网调度与调控。图1展示了电表采集的 总数据与同时段采集到的某用电器用电数据，横坐标代表时间戳，纵坐标代表电功率。 NILM的研究始于20世纪80年代，主要方法是根据电器的用电情况，使用人工方式 分析并提取用电特征，以构造数据分解算法。使用人工提取特征，面临着人工耗费高，精确 度无法保证等问题。得益于深度学习技术和计算机计算能力的提升，使用计算机自动提取 特征并实现数据分解成为了可能。卷积神经网络(Convolutional  Neural  Networks , CNNs)、循环神经网络(Recurrent  Neural  Networks,RNNs)、自动编码器(Auto  Encoder)等 技术纷纷被用于NILM，虽取得了一定的成效，但是在序列生成的质量方面依然难以令人满 意。