1.基于图编码和迁移学习的非侵入式负荷识别方法，其特征在于，具体按照以下步骤实施：步骤1、采集不同家用设备的录波数据，构成原始数据集，并将其按照7：2：1的比例划分为训练数据集、验证数据集、测试数据集；

步骤2、采用分段聚合近似PAA‑S算法对步骤1中原始数据集中数据进行分段聚合近似，把长序列映射为短序列，使短序列数据与原始长序列数据趋势相似；

所述步骤2具体按照以下步骤实施：

假设所述步骤1中的录波数据是长度为 的短序列数据，将该短序列数据分为 段，每段的长度 为：（1）

接着对于每个段定义一个长度为 的向量 ， 表示第 段的数据，对向量应用PAA‑S算法，得到一个新值 ，即通过简单的线性回归拟合一个直线模型，表示该线性段的趋势，得到斜率 和截距 ，其中斜率和截距计算公式如下：（2）

（3）

其中 和 分别是第 段的最后一个点和第一个点的值， 和 分别是第 段起始到结束对应的时间； 和 表示第 段短序列的起点，对于第 段，线性模型表示为：

（4）

其中， 表示该段内所有数据点的均值， 表示时间点，将每个段的所有数据点视作，则序列 ，其中 表示该段内所有数据点的均值，经过重采样后，得到输出序列 ，则序列 ，其中 为重采样后所有数据点的均值，其中 为输出序列的长度，重采样的计算公式如下：

（5）

其中 代表输出序列中的索引位置， 表示时间序列的总长度；

步骤3、将步骤2中的短序列数据加入位置编码，保留原始数据的时序特征，再转换为二维图像数据；

步骤4、构建基于迁移学习的ResNet18预训练模型，将步骤3中加入位置编码的二维数据导入基于迁移学习的ResNet18预训练模型，进行训练并测试模型性能，最终实现对用电器的分类识别。

2.根据权利要求1所述的基于图编码和迁移学习的非侵入式负荷识别方法，其特征在于，所述步骤3具体按照以下步骤实施：在步骤2中降维后的输出序列上添加位置编码，并转化为可供神经网络输入的表示形式，步骤2中的一维时序数据为 ，则序列 ，其中元素 表示数据序列在时刻 的取值，使用如下公式计算位置编码：

（6）

其中 表示时间步， 表示位置编码向量中的维数， 表示隐藏状态的维度，的维数就是时序数据的维度 ，最终得到的位置编码维度为 ，将位置编码插入步骤2中的一维数据上得到新的带有位置编码的数据序列 ，其中序列 ，元素表示带有位置编码的数据序列在时刻 的取值；

再将 转换为二维图像数据，如下矩阵所示：

（7）

为原始数据序列 中的数据元素，其中 ，表示将时间序列通过堆叠形成二维矩阵，从而转换为图像数据。

3.根据权利要求2所述的基于图编码和迁移学习的非侵入式负荷识别方法，其特征在于，所述步骤3中 的维数为1。

4.根据权利要求2所述的基于图编码和迁移学习的非侵入式负荷识别方法，其特征在于，所述步骤4具体按照以下步骤实施：将步骤3中经过编码的二维图像数据作为预训练的ResNet18网络的输入，设ResNet18网络的输入为 ，激活函数为 ， 经过两个卷积层和一个激活函数后的输出为，则经过激活函数和残差连接后，网络输出由原来的 变为如下所示，也即一个残差块的计算公式：（8）

在两个卷积层之间使用ReLU非线性激活函数，ReLU函数的表达形式如下：（9）

所述ResNet18网络中残差块采用不同的通道数，由卷积层、批归一化层、池化层和恒等映射层组成，其中，每个卷积层后面配合一个批归一化层和ReLU激活函数，最后采用平均池化层和全连接分类器，整个ResNet18网络共包含四个阶段：第一个阶段只有一个卷积层，而其他三个阶段包括2个残差块，因此总共的基本块数目为18，根据用电器类别个数对预训练模型进行微调，训练中，每经过一轮的训练就使用验证数据集进行测试，并将当前识别准确率最高的模型进行保存，最终得到识别效果最好的模型；

模型训练结束后需要基于测试数据集评价预测效果，预测结果的评价指标有准确率、查准率即精准率、查全率即召回率、F1‑score，设 表示将正类预测为正类的数量， 表示将负类预测为负类的数量， 表示将负类预测为正类的数量 表示将正类预测为负类的数量，则上述指标的计算公式如下：（10）

（11）

（12）

（13）。