1.一种非侵入式负荷检测方法，其特征在于，包括设备分类预测子流程、新设备识别子流程和分类器自我训练子流程；

所述新设备识别子流程包括如下步骤：

第一步、对暂态事件结果进行大动态标记，用以检测是否存在周期性功率跃迁设备；

第二步、利用峰值滤波器方法判断是否存在周期性功率跃迁，从而标记探测到的事件是否有周期性变化并从中分离非周期性大动态事件；

第三步、修正事件探测结果，修正稳定段的数据，从中得到可能含有的周期性功率跃迁设备，并重新对用电设备的预测进行修正；

第四步、截取设备运行稳定段波形数据，作为信息输入，根据记录的每一个暂态事件发生的时间点和结束的时间点，计算出预定时间内用电设备运行平稳段的数量，即这段时间没有用电设备再开启的段数，以及标出起始时间及终止时间相应的段号并记录；

第五步、对各所述用电设备运行稳定段波形数据，进行特征提取；

第六步、利用特征相似度判别指标来识别未知设备是否为新设备；

第七步、将判断存在新设备的用电设备运行稳定段波形数据与前一段用电设备运行稳定段波形数据做减，从而分离出新设备的波形数据。

2.根据权利要求1所述的非侵入式负荷检测方法，其特征在于，在所述新设备识别子流程的所述第一步运作之前，启动所述设备分类预测子流程，所述设备分类子流程包括如下步骤：第一步、采集用电设备的电流电压数据并进行预处理，通过安装好的数据采集终端，采集特定时间长度内多种用电设备的高频电流、高频电压数据；并对数据进行预处理，包括剔除异常值和插值处理；

第二步、事件探测，进行事件行为的检测，检测事件的发生，区分暂态事件和稳态事件；

当事件探测区分为暂态事件时，则进入所述新设备识别子流程的第一步；

当事件探测区分为稳态事件时，则进入第三步、对预处理过的数据进行截取，获得稳定段波形数据，基于所述稳定段波形数据，进行特征提取，提取用电设备运行状态特征；

第四步、调用分类器模型进行预测，根据所述用电设备运行状态特征，以所述用电设备运行状态特征作为分类器模型输入，调用训练生成的分类器模型参数进行预测；

第五步、对分类器模型的分类结果进行分析，得到用电设备的用能信息；所述用能信息包括运行状态信息和能耗信息；

在所述新设备识别子流程的第七步分离出新设备的波形数据之后，进入到所述分类器自我训练子流程；

所述分类器自我训练子流程包括如下步骤：

第一步、加入并更新设备库：在所述设备库中，包括每个设备的设备名称、设备编号、以及稳态波形数据与暂态波形数据，对于识别到的新设备，程序会向用户发出输入设备名称的请求，最终将新设备的设备名称、设备编号、稳态波形数据与暂态波形数据信息自动加入到设备库中；

第二步、生成综合态波形数据：调用所述设备库中的所述设备编号，使用编号排列组合的计算方法，生成由不同编号组成的多种所述设备编号的排列组合；根据得到的排列组合和所述设备库中各设备的稳态波形数据，依据不同编号的排列组合，将相对应的设备波形数据进行叠加，得到若干段不同设备波形叠加的综合态波形数据；

第三步、对多个用电设备组合运行时的电流波形数据进行特征提取得到特征集数据，然后对得到的特征集数据进行划分，将特征集数据划分为训练集和测试集，之后，使用机器学习分类器模型进行参数训练，并进行用电设备行为的准确预测；

第四步、模型结果评价：统计每次截取到的设备稳定波段形数据时间段内，连续n个周期，每个周期各个用电设备的预测结果，来判断设备的开启、关闭的条件比例；

所述新设备识别子流程的第七步之前，还包括根据所述新设备识别子流程的第六步进行特征相似度对比，如果存在新设备，则进入到所述分类器自我训练子流程，完成模型训练后再执行所述设备分类预测子流程的第五步；如果不存在新设备，则直接进入到所述设备分类预测子流程中的第五步，分析出哪些设备正在运行，何时开启合适关闭，得到用电设备的用能信息。

3.根据权利要求1或2所述的非侵入式负荷检测系统，其特征在于，所述特征提取中的特征包括电流有效值、有功功率和无功功率；具体为：特征1：电流有效值

计算用电设备运行状态下的电流有效值，具体地：

其中，I表示电流有效值，T表示一个周期，i表示瞬时电流；

特征2：有功功率

计算用电设备运行状态下的有功功率，具体地：

其中，P表示有功功率，U为线电压，I为线电流，为U和I之间的相位差；

特征3：无功功率

计算用电设备运行状态下的无功功率，具体地：

4.根据权利要求1所述的非侵入式负荷检测方法，其特征在于，所述新设备识别子流程中的第一步、对暂态事件结果进行大动态标记，用以检测是否存在周期性功率跃迁设备，具体为：针对上述功率序列(P1，P2，...，PN)，用1标记探测到事件，用0表示没有事件发生，得到c点序列x[n]，n∈{0，1，2，3...，N-1}，表示为：

5.根据权利要求1所述的非侵入式负荷检测方法，其特征在于，所述新设备识别子流程中的第二步：利用峰值滤波器方法判断是否存在周期性功率跃迁，从而标记探测到的事件是否有周期性变化并从中分离非周期性大动态事件；其中的峰值滤波器令对离散傅里叶变换(Discrete Fourier Transform，DFT)得到的序列的非极大值点和极大值小于峰值θ的值等于0，得到峰值滤波效果，具体的：

对于大动态标记序列x[n]，进行离散傅里叶变换为：对DFT得到的序列进行峰值滤波，滤波公式表示为：其中

这里的截止峰值θ，在程序里采用

分离非周期性大动态事件的目的是得到真正是设备开启引起的事件，获得设备运行稳态取键，具体为：对 进行IDFT为：

分离后的序列表示为：

非周期性大动态事件满足条件：

η[n]＞η[n]max。

6.根据权利要求1所述的非侵入式负荷检测方法，其特征在于，所述新设备识别子流程中的第七步分离出新设备的波形数据，具体为：新设备的波形经过DFT变化后的数据可描述为：

对X[k]进行IDFT可得到新设备波形为：

式中，xj[n]表示第j段设备运行稳定段的波形数据。

7.根据权利要求2所述的非侵入式负荷检测方法，其特征在于，所述分类器自我训练子流程的第二步，具体的：

设已知家用电器数据库有r种家用电器，每种电器每个周期的采样点数为c，则对于电器Aj：Aj＝{Ij，1，Ij，2，…，Ij，c}

当采集到所有电器单独运行时的电流数据时，我们可以通过以下操作获得多个电器组合运行的电流数据，对于电器波形数据Ij，经过DTFT分解后信号波形的模型可描述为：多个电器同时运行时，其信号波形经过DTFT分解后信号波形的模型可描述为：其中s表示同时组合运行的电器总数

对X[k]进行IDFT为：

其中I[n]表示多个电器组合运行时的电流波形数据。

8.根据权利要求2所述的非侵入式负荷检测方法，其特征在于，所述分类器自我训练子流程中的第四步，具体为：统计每次截取到的设备稳定段波形数据时间段内，连续n个周期，每个周期各个设备的预测结果，设备状态评价方式如下：对于某一次识别结果，我们对各个设备的行为标记如下：统计各个设备n个连续周期的预测结果，则

故在这段时间内，各个设备的真实状态为：

其实Status等于1时表示这段时间内设备开启，等于None时表示这段时间内设备的状态未知，等于0表示这段时间内设备关闭，p1表示判定设备开启的条件比例，p2表示判定设备一定未开启的预测结果比例。

9.根据权利要求1所述的所述的非侵入式负荷检测系统，其特征在于，所述分类器是神经网络或者K均值聚类算法或者支持向量机或者随机森林。