1.一种非侵入式负荷识别的自适应阈值事件检测方法，其特征在于，所述方法包括以下步骤：步骤1：数据输入，以环形存储方法将功率数据进行整理，形成滑动窗口；计算模块接收数据输入，以环形存储方法将视在功率、有功功率、无功功率数据进行整理，形成三功率窗口W＝{si,pi,qi|i＝n,n+1,…,n+N}(n∈R)，式中si代表视在功率，pi代表有功功率，qi代表无功功率，三功率窗口W内数据随着n增大而不断更新；

步骤2：针对不同的负荷功率变化特征，将事件根据标准差算法分为短暂态事件和长暂态事件，对不同类型事件采用不同的方法自适应调整阈值；

步骤3：根据计算得到的阈值进行基于均值偏移CUSUM的事件检测，判断事件是否真实；

步骤4：针对检测到的真实事件提取特征向量，通过机器学习方法进行事件分类。

2.如权利要求1所述的一种非侵入式负荷识别的自适应阈值事件检测方法，标准差算法，其特征在于，所述步骤2包括：根据步骤1所得的三功率窗口W，将其中的视在功率分为均值评估窗口Sm＝{si|i＝n,n+1,n+2,n+3}及事件检测窗口Sch＝{si|i＝n+4,n+5,…,n+N}，均值评估窗口Sm用于评估前一时刻功率水平，事件检测窗口Sch用于检测当前时刻是否发生负荷投切事件，计算Sm的平均值sm，计算Sch的标准差σ，当σ首次大于yth时，代表有事件发生，记录σ值大于yth的次数为cch，当σ达到最大时，代表事件结束，若cch小于最小值cmin时，σ达到最大值，则舍弃该事件，若cch大于最大值cmax时，σ仍未达到最大值，则将该事件归类为长暂态事件，否则为短暂态事件。

3.如权利要求2所述的一种非侵入式负荷识别的自适应阈值事件检测方法，其特征在于，所述步骤2还包括：若发生长暂态事件，则保持Sm不变，增加Sch长度，将新输入的数据加入Sch＝{si|i＝n+4,n+5,…n+N,…,n+k}(k∈R,k＞N)，取Sch中后x个元素组成S′ch＝{xi|i＝n+k‑x+1,n+k‑x+2,…,n+k}，作为长暂态事件检测窗口，计算S′ch的伪标准差为σ′，其计算公式如下：式中 为Sm的平均值，当σ′达到最大时，代表该长暂态事件结束，记录下一个σ′为σ′ca，S′ch的平均值为 计算该长暂态事件的阈值为h′th，计算公式如下：

4.如权利要求3所述的一种非侵入式负荷识别的自适应阈值事件检测方法，其特征在于，所述步骤2还包括：若发生短暂态事件，当σ达到最大后，取下一个事件检测窗口Sch，计算Sch的峰均值比rch，公式如下：式中smax为事件检测窗口Sch中最大值， 为事件检测窗口Sch的均值，由于功率数据存在叠加情况，因此上式需要减去窗口最小值，公式变更如下：式中smin为事件检测窗口Sch中最小值，记此时事件检测窗口Sch的标准差为σch，计算该短暂态事件的阈值为hth，计算公式如下：

5.如权利要求4所述的一种非侵入式负荷识别的自适应阈值事件检测方法，其特征在于，所述步骤3包括：计算当前事件检测窗口Sch/S′ch的均值，其公式为：±

计算均值偏移累积和g ，公式如下：

± ±

根据步骤2所得的阈值hth/h′th，与g 进行比较，当g ＞hth/h′th时，则说明该事件真实发± ±生，当t等于事件检测窗口的长度，即累积和g 达到最大时，g 仍小于hth/h′th，则说明该事件为虚报事件。

6.如权利要求5所述的一种非侵入式负荷识别的自适应阈值事件检测方法，其特征在于，所述步骤4包括：根据步骤3所得的真实事件，记录该事件持续时间cch、阈值hth/h′th、均±值偏移累积和g 、窗口Pch有功功率极差、有功功率变化均值，无功功率极差、无功功率变化均值，形成事件特征向量，利用该特征向量通过机器学习LGB算法进行事件分类，得到该事件的事件类型。