1.一种基于字符消息队列的非侵入式负荷识别方法，其特征在于，所述方法包括以下步骤：步骤1：低频数据在线实时输入，数据预处理

计算模块接受数据，将数据强制转换成字符串格式，计算参数；

步骤2：数据整合传输

kafka消息系统作为消息中间件，producer端将步骤1所得的数据逐条发送到消息队列中，根据步骤1计算得到的检测窗口长度n，初始化偏移量为i，评估窗口长度为b，consumer端指定从消息队列中获取偏移量为i到i+n+b的数据；

步骤3：事件检测

将步骤2所得的数据格式化，进行事件检测后返回事件数据列表database_event，包±括：评估均值μ_mean、检测均值μ_det、均值偏移量累积和S 和事件持续时间Δi，若无事件发生则Δi＝1；

步骤4：特征提取

将步骤3所得的database_event进行处理，提取特征包含如下：均值差Δμ、均值偏移量±累积和S 、功率极差Δpower、功率均值power_mean；

步骤5：事件识别

使用LightGBM算法进行事件识别分类，使用贝叶斯算法优化LightGBM参数，将步骤4所得的特征输入事件识别模型中，得到事件概率列表，取概率最大的事件类型为最终识别结果；

步骤6：更新偏移量

根据步骤3所得的事件持续时间Δi，修改偏移量为i+Δi；

所述步骤1中，获取最小功率负荷的功率pmin，设检测窗口为n，事件检测算法累积和阈值为thd，其中pmin为已知参数，n和thd为未知参数，为使算法能够以最小的算力进行检测，n和thd应满足以下公式：thd≈pmin×n

式中 为最大功率设备切出时，第一次出现功率下降的检测窗口， 为设备完全切出时的检测窗口，pj为偏移量为j的功率值，l和m为偏移量；

所述步骤3中，使用改进的变长滑窗CUSUM算法，将步骤3所得的窗口数据，划分为评估窗口MW和检测窗口DW，评估窗口给出评估均值μ_mean，检测窗口根据检测均值μ_det相对于±μ_mean的变化情况，来判断是否发生事件，若发生事件则获取当前事件的μ_mean、μ_det、S及事件持续时间Δi，制成1维事件数据列表。

2.如权利要求1所述的基于字符消息队列的非侵入式负荷识别方法，其特征在于，所述步骤2中，计算每条数据的字节数num，初始化偏移量为i，使得consumer从i处开始获取数据，设置单次能够获取的最大记录数为n+b、单次返回的最小数据量为num×(n+b)，使consumer每次从消息队列中获取指定数量n的数据，当consumer无法从消息队列中获取到足够数量n的数据时，将自动暂停数据获取操作，直至能够获取n+b条。

3.如权利要求1所述的基于字符消息队列的非侵入式负荷识别方法，其特征在于，改进的变长滑窗CUSUM算法中，以变长窗口的方式计算检测均值，其计算公式如下：μ_det＝(p1+p2+…pk)/k

±

初始时k＝1，之后每次k+1，当S ＞thd时，记录Δi＝k，即为事件持续时间，而当k大于DW的长度时，即视为未检测到事件，Δi＝1。

4.如权利要求1所述的基于字符消息队列的非侵入式负荷识别方法，其特征在于，所述步骤6中，根据事件持续时间Δi，修改偏移量i＝i+Δi，使consumer下次获取偏移量为i+Δi到i+Δi+n+b的数据，此方案使算法不会对同一事件进行重复检测。