1.一种深度并行柔性发射网络的电力终端指纹识别方法，其特征在于，能用一种深度并行柔性发射网络对电力终端指纹进行学习，在电力终端接入电力系统时对其进行识别；

该方法在使用过程中的主要步骤为：

(1)用电数据获取步骤：采集各个电力终端在单独运行时处于不同工作状态下的电压和电流的用电数据；

(2)数据预处理步骤：对步骤(1)中得到的电压和电流波形进行离散傅立叶变换形成4n矩阵作为电力终端指纹特征；

(3)训练步骤：建立深度并行柔性发射网络模型，建立电压、电流傅立叶变换矩阵模型与电力终端名称对应的数据集对该模型进行并行训练；

(4)识别步骤：在完成训练步骤后的深度并行柔性发射网络分类器模型中输入电力终端电压电流波形的离散傅立叶变换矩阵，经并行系统判断后，输出电力终端指纹匹配结果。

2.如权利要求1所述的深度并行柔性发射网络的电力终端指纹识别方法，其特征在于，所述步骤(2)中所述电力终端指纹特征为电力终端不同运行状态下的电压和电流波形，对其进行离散傅立叶变换得到的4n矩阵即为该特征的数学模型。

3.如权利要求1所述的深度并行柔性发射网络的电力终端指纹识别方法，其特征在于，所述步骤(3)中对电力终端指纹数据进行训练时，使用基于柔性发射网络和深度学习结合的深度柔性发射网络模型；且在训练时，使用不同的深度柔性发射网络参数进行并行学习。

4.如权利要求1所述的深度并行柔性发射网络的电力终端指纹识别方法，其特征在于，所述步骤(4)中对电力终端指纹数据进行识别时，使用权利要求3所述的深度柔性发射网络进行识别，并通过并行模型输出多个预测值，按照累加和方式进行判断并确定识别结果。

5.如权利要求1所述的深度并行柔性发射网络的电力终端指纹识别方法，其深度特征在于，使用的柔性发射网络神经元层数不小于三层，其并行特征在于，并行模型数不少于三个，所述柔性发射网络神经元框架包括两个前馈通道参数(w，v)、一个迭代记忆强度参数M和损失函数E；所述损失函数E为柔性发射网络神经元模型的积分损失函数E(W，V)，其通过对真实值和预测值的差的平方来拟合损失，具体地：其中Yt为最终层的输出信号； 为真实信号； 为由0和1组成的向量，若设备编号为k，则 为1，反之为0。

6.如权利要求1所述的深度并行柔性发射网络的电力终端指纹识别方法，其特征在于，每个并行的深度柔性发射网络训练步骤具体包括如下步骤，(1)前馈过程：以第t个神经元在第l次迭代为例，前馈通道有两个参数(w，v)，神经元自身的记忆强度有一个迭代参数M，对前馈函数进行复数描述后，将得到以下的前馈过程函数为其中 为本次迭代输出， 为下一次迭代的记忆强度，σ为sigmoid激励函数，有实部函数和虚部函数两部分，α和β均为并行模型的可调参数；

(2)反向传播过程：在完成一次迭代后，应根据迭代结果对柔性发射网络参数进行校正，首先对模型梯度进行计算，其中 为反向传播修正差， 为点乘操作， 为激活的点态导数向量， 和

为反向传播核心计算方法，包括两条分别与 和 相关的反向传播管道；

以给定步长η对W，V进行修正，

反向传播过程结束，根据损失函数计算结果判断继续迭代或训练已达到预期指标，达到预期后对M进行最后一次迭代，

7.如权利要求1所述的深度并行柔性发射网络的电力终端指纹识别方法，其特征在于，将电力终端运行的实时电压和电流波形进行离散傅立叶变换形成4n矩阵后，送入如权利要求6所述的已经训练完成的深度并行柔性发射网络中进行计算，得出的并行计算结果按照累加和方式进行判断计算，得到最大可能的电力终端编号，视为识别结果。