1.一种非侵入式负荷监测方法，其特征在于，包括：
设备分类预测子流程：
第一步：通过安装在家庭入口处的数据采集终端，采集一段时间的高频电流、高频电压数据，为进一步的数据分析处理提供数据基础；
第二步：对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理；
第三步：基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征；
第四步：根据上述提取获得的设备特征，以特征作为分类器模型输入，调用训练生成的分类器模型进行预测，输出对应相应的设备类别编号；
第五步：对分类器分类结果进行分析，分析出有哪些设备正在运行，何时开启，何时关闭，得到用电设备的用能信息：运行状态和能耗；
新设备识别子流程：
第一步：在设备分类预测子流程的第二步中，得到预处理过的一段时间的高频电流、电压波形数据，运用事件探测方法，对暂态事件进行探测，用以检测何时有用电设备开启事件发生，并记录事件的暂态过程发生的时间点和结束的时间点；
第二步：根据上述记录的每一个暂态事件发生的时间点和结束的时间点，作为信息输入，计算出一段时间内设备运行平稳段的数量，即这段时间没有设备再开启的段数，以及标出起始时间及终止时间标出相应的段号并记录；通过截取每一个设备开启和结束的节点，得到多段包含相对应的起始时间、终止时间及段号的设备运行稳定段波形数据；
对所述的各个设备运行稳定段波形数据，进行特征提取，特征计算方法等同于设备分类预测流程中第三步特征提取；计算得到不同设备稳定段的各个特征：电流有效值、有功功率、无功功率、功率因数、u_i轨迹的斜率和面积、u_i轨迹精细斜率的平均值和方差与1到32次谐波；
第三步：在第二步中所述的不同的设备稳定段的各个特征，并结合分类器自我训练子流程中不同的排列组合综合态波形数据计算得到的各个特征，进行相似度比较，判断是否存在新设备；
第四步：若设备稳定段的各个特征与分类器自我训练子流程中得到的某几个的排列组合的特征的相似度高于第一预设值，则判断没有新设备的出现，将设备稳定段的各个特征输入到分类器模型中进行分类；
若出现有设备稳定段的特征对比出来的相似度低于第二预设值，则判别该时间段有新设备生成；将该设备稳定段波形数据减去前一段设备稳定段波形数据，最终分离得到新设备的波形数据，并输入到设备库中，更新设备库；
分类器自我训练子流程：
第一步：
设置设备库，事先选定一部分用电设备作为对象，进行特征提取、训练得到分类器模型；在所述设备库中，包括每个设备的设备名称、设备编号、稳态波形数据与暂态波形数据；
当所述的新设备识别子流程中识别到出现新设备时，会将识别到的新设备波形数据加入到设备库中，更新设备库并进入分类自我训练子流程进行重新训练模型；
第二步：用于通过调用设备库中的设备编号，通过编号排列组合的计算方法，生成由不同编号组成的多种设备编号的排列组合；
第三步：根据第二步所得到的排列组合方法和所述设备库中各设备的稳态波形数据，基于设备数据可叠加性理论，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；
第四步：与设备分类预测子流程中第三步相同，对所述的综合态波形数据进行特征计算模块用于通过输入综合态波形生成模块所生成的各个设备波形的叠加的综合态波形数据，得到不同的排列组合综合态波形数据的各个特征；
第五步：根据得到的特征数据，将数据划分为70％的训练集和30％的测试集；
第六步：将第五步随机取样得到70％特征数据输出到机器学习分类器模型进行训练，将剩下的30％特征数据作为测试集使用，训练得到具有预测功能的分类器模型，并输出到设备分类预测子流程的分类器分类模型中，供预测调用。
2.如权利要求1所述的非侵入式负荷监测方法，其特征在于，“第三步：基于上述清洗过的用电数据，提取能够体现用电设备运行状态的特征；”中的特征，包括：
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，
特征3：无功功率
无功功率是交流电路中由于电抗性元件的存在，而进行可逆性转换的那部分电功率，它表达了交流电源能量与磁场或电场能量交换的最大速率；通过提取无功功率特征，有效区分出电抗性用电设备；计算用电设备运行状态下的无功功率，具体地：
特征4：功率因数
计算功率因数，首先需要计算视在功率，所谓视在功率就是交流电源所能提供的总功率，用s表示，具体地：
根据视在功率和有功功率，计算用电设备运行状态下的功率因数，具体地：
特征5：u_i轨迹的面积
基于预处理后的电流、电压数据，以一个周期为单位，将电流作为x轴，将电压作为y轴，画出图像得到u_i轨迹图，计算u_i轨迹所包围的面积。其中运用海伦公式求凸包及多边形面积的计算方法，具体地：
顺时针给定构成凸包的n个点坐标，可将多边形分割成多个三角形，利用海伦公式，求得多个三角形面积；海伦公式如下：
已知三角形各边a，b，c
其中，p为半周长：
将一个周期里的每一个采样点数对应的电流、电压数据，作为多边形的顶点，按逆时针方向依次可记为：(i0,u0),(i1,u1),(i2,u2),...,(in,un)，其中(in,un)＝(i0,u0)。
那么，u_i轨迹围成的多边形面积为：
特征6：u_i轨迹的斜率
计算u_i轨迹的斜率，具体地：
其中imax和imin为所选取周期的电流最大值和最小值；
特征7：u_i轨迹精细斜率的平均值
为了刻画基于电流、电压数据绘制的u_i轨迹的特征，考虑图形每一部分的形状变化，通过对u_i轨迹上所有相邻点进行斜率求解，并取平均值，得到精细斜率特征值，具体包括：
以一个周期为单位，将周期时序数据记为
计算平均值：
特征8：u_i轨迹精细斜率的方差
根据上述得到的相邻采样点斜率，计算每个周期相邻采样点的精细斜率方差，具体地：
特征9:1到32次谐波
使用fft分解得到用电设备的各次谐波的幅值特征，具体地：
设有周期信号f(t)，它的周期是t，角频率
将所述f(t)中同频率项合并，可写成如下形式：
a0＝a0
因此，上述式子中的an即为各次谐波的幅值，得到1到32次谐波谐波幅值特征。
3.如权利要求1所述的非侵入式负荷监测方法，其特征在于，“新设备识别子流程的第一步：”中，以有功功率作为研究对象，具体包括：
步骤一：首先，根据统计分析设定两个阈值s1和s2，s1为检测到有事件发生时前后两个时间段有功功率变化量的阈值，s2为事件的暂态过程发生时间和结束时间的有功功率变化量的阈值；
步骤二：设r为步长(r＝1s)，st代表在t秒时的有功功率，δst＝st+1-st，代表的是有功功率变化量。当δst＞s1时，检测到可能会有事件发生，则事件探测窗开始移动并计算δst+1,δst+2,δst+3...，直到δst+tr＜s1到此时则初步判断事件暂态过程已结束；
步骤三：判断是否是由于有功功率突变引起的对事件发生探测的误判。若st+tr-st＞s2，则表明在t～t+tr秒内确有事件发生，事件探测正确；若st+tr-st＜s2，则表明在t～t+tr秒是由于有功功率突变引起的对事件发生探测的误判，不算有事件发生；
步骤四：记录每一个暂态事件发生的时间点与结束的时间。
4.如权利要求1所述的非侵入式负荷监测方法，其特征在于，“对获取到的原始用电数据进行预处理，包括剔除异常值和插值处理；”具体包括：
计算所有获取到的用电数据中电流有效值的平均值与标准差：
对(μ-3σ，μ+3σ)区间外的用电数据进行剔除。进一步，对每个周期的采样点数进行线性插值填补和扩充；具体地:
5.如权利要求1所述的非侵入式负荷监测方法，其特征在于，相似度计算方法采用欧式距离求相似度：
平面空间内的坐标a(x1,y1)与坐标b(x2,y2)间的欧式距离：
三维空间里的欧式距离：
其中欧式距离越小，说明相似度越高，设备相似度就越高。
6.如权利要求1所述的非侵入式负荷监测方法，其特征在于，所述事件探测方法采用基于滑动双边窗的事件探测算法。
7.如权利要求1所述的非侵入式负荷监测方法，其特征在于，所述机器学习分类器模型是随机森林或者决策树或者支持向量机或者神经网络。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。