1.一种基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，包括以下步骤：S1、采集用电设备独立运行的电气数据，获取用电设备稳态运行时的有功功率Pi、无功功率Qi和失真功率Di，建立负荷特征库；

S2、采集用电设备的数据，进行数据的缺失值处理，并根据用电设备的数据，采用快速傅里叶变换计算平均有功功率Pj、平均无功功率Qj和平均失真功率Dj；

S3、通过设置处理过后的用电设备数据的阈值获取用电设备的状态变化情况；

S4、根据用电设备的状态变化情况，通过平均有功功率Pj、平均无功功率Qj和平均失真功率Dj进行用电设备的特征提取；

S5、根据提取的用电设备的特征和负荷特征库，通过改进的粒子群算法进行负荷识别；

所述步骤S5中，改进的粒子群算法中的适应度函数F(C,Pn,Dn,Qn)表示为：d表示约束设备状态变化的参数，其计算公式为：

e表示有功功率差参数，其计算公式为：

其中， 和 分别表示由设备状态向量确定的预测的有功功率、无功功率和失真功率，Pn、Qn和Dn分别表示实际的有功功率、无功功率和失真功率，a为有功功率 的系数，b为有功功率 的系数，c为有功功率 的系数，a、b和c均由熵值法确定，m表示设备的总数， 表示设备状态变化的数量，s为用电负荷的最大正常波动率，P′是全部设备投入运行时最大的有功功率波动差值，P″表示最小的启动负荷。

2.根据权利要求1所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S2中用电设备的数据包括电压、电流和周波。

3.根据权利要求2所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S2中缺失值处理方法具体为：当缺失值个数大于3时，将数据分为两个数据集；当缺失值个数小于3时，缺失值按缺失值前后的数值等比填入。

4.根据权利要求2所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S3包括以下分步骤：S3.1、选择用电设备的数据，设定一个阈值；

S3.2、当选定的数据变化量大于设定的阈值时，则用电设备产生状态变化，进行状态变化情况记录。

5.根据权利要求2所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S4包括以下分步骤：S4.1、根据状态变化情况，将时间长度为T的序列分为若干子序列，子序列的时间长度大于3秒，则视为稳态段，将稳态段合集表示为[T1，T2,…,TN]；

S4.2、进行特征提取，获取第n个稳态段的有功功率Pn：

获取第n个稳态段的无功功率Qn：

获取第n个稳态段的失真功率Dn：

其中，n＝1,2,...,N，N为稳态段总个数，j＝1,2,...,n，Pj为第j段稳态的平均有功功率，Qj为第j段稳态的平均无功功率，Dj为第j段稳态的平均失真功率。

6.根据权利要求5所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S5包括以下分步骤：S5.1、根据用电设备的特征和负荷特征库，通过有功功率过滤器精简解空间，进行第n个稳态段的粒子群初始化；

S5.2、通过有功功率Pn、无功功率Qn和失真功率Dn获取不同设备状态在第n个稳态段的适应度函数；

S5.3、根据适应度函数计算得到第n个稳态段设备状态的个体最优解和群体最优解；

S5.4、根据个体最优解和群体最优解，对粒子的速度和位置进行更新；

S5.5、判断群体最优解是否满足要求，若是则输出群体最优解和最优解序列，否则重复步骤S5.3‑步骤S5.4；

S5.6、判断第n个稳态段是否为最后一个稳态段，若是则结束负荷识别过程，否则令n＝n+1，并对此时的第n个稳态段进行粒子群初始化，并重复步骤S5.1‑步骤S5.6。

7.根据权利要求6所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S5.1中通过有功功率过滤器精简解空间的具体方法为：将第n个稳态段的平均功率Pn与负荷特征库中设备功率Pi做比较，当Pn

8.根据权利要求6所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述个体最优解表示单个粒子N次迭代中适应度最小的设备状态向量，所述群体最优解表示迭代完成后适应度最小设备状态向量，所述粒子表示一次假设，所述粒子群由M个粒子组成，所述粒子位置表示设备状态向量，所述最优解序列表示10个适应度最小的群体最优解。

9.根据权利要求6所述的基于改进粒子群算法的非入侵式负荷识别方法，其特征在于，所述步骤S5.4中对粒子的速度和位置进行更新公式如下：ViD＝wVid+C1*r1*(Pid‑Xid)+C2*r2*(Pgd‑Xid)XiD＝Xid+Vid

其中，ViD表示更新后的粒子速度，XiD表示更新后的粒子位置，w表示惯性权重，C1和C2均表示学习因子，Pid表示个体最优解，Pgd表示群体最优解，Vid表示更新前的粒子速度，Xid表示更新前的粒子位置，r1和r2均表示区间(0,1)上的随机数。