1.一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，包括以下步骤：步骤1、获取住宅一段时间内功率消耗数据，包括所有电器的总功率消耗以及每个目标家电的功率消耗，转入步骤2；

步骤2、对获取的功率消耗数据进行预处理，按照采样时刻，将总功耗和目标电器的功耗对齐，通过滑动窗口的方法制作样本集，具体如下：将所有符合的功率数据按照采样时刻对齐，缺失值采用填充法进行补充，得到所有电器总功耗的序列P＝[P1,P2,…,PT]和每个电器功耗的序列 对所有数据进行归一化处理，总功耗值使用最大最小归一化方法，如下所示：其中，Pnor表示标准化后的总功耗，max(P)表示总功耗数据的最大值，min(P)表示总功耗数据的最小值；

每个目标电器的功耗值除以其最大值进行归一化，如下所示：

i

其中， 表示标准化后第i个家电的功耗，max(p)表示第i个家电功耗的最大值；

使用滑动窗口的方法，分别对Pnor和 进行分割，并且按照对应的采样时刻进行配对，构成样本集，样本集包括训练样本和测试样本，训练样本按照8：2的比例划分为训练集和验证集，测试样本作为测试集；

转入步骤3；

步骤3、将每个家电的功率分解视为一个子任务，构建基于CNN的多任务模型，模型包括特征提取、特征融合和特征映射，具体如下：构建一个由四个卷积层堆叠的共性特征矩阵提取分支，提取所有电器在功率分解时都需要的共性特征矩阵，得到共性特征矩阵矩阵 在共性特征矩阵提取分支的第二个卷积层后，分别为每个家电构建一个同样由两个卷积层堆叠的个性特征矩阵提取分支，提取只有该家电需要的个性特征矩阵，得到第i个家电的个性特征矩阵矩阵其中， 表示共性特征矩阵矩阵中的特征值， 表示个性特征矩阵矩阵中的特征值，这两个特征矩阵维度相同，都是a行b列；

多任务模型的特征融合具体如下：

共性特征矩阵和个性特征矩阵的融合通过特征矩阵元素之间相加来实现，得到第i个家电的融合特征Fi，如下所示：其中 表示两个特征矩阵每个元素相加；

转入步骤4；

步骤4、将制作好的样本集输入到构建的多任务模型中进行训练，得到训练好的多任务模型，以分解多个电器功率消耗，转入步骤5；

步骤5、实时获取待分解的总功耗，通过训练好的多任务模型输出目标电器的功率消耗。

2.根据权利要求1所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，步骤1中，获取住宅一段时间内功率消耗数据，包括所有电器的总功率消耗以及每个目标家电的功率消耗，具体如下：获取住宅中所有电器总功率以及各个电器的有功功率，其中目标电器仅需要测量训练期间的有功功率，包括：利用智能传感器按照秒/分钟的频率采集的总负荷的有功功率和各个电器负荷的有功功率，以时间顺序进行排列，得到用户总线的有功功率P＝[P1,P2,…,PT]以及第i个目标电器的有功功率 其中T表示整个功耗数据的采样总数。

3.根据权利要求1所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，步骤3中，多任务模型的特征映射具体如下：每个子任务的融合特征通过两个全连接层的映射，得到当前子任务的输出。

4.根据权利要求3所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，步骤4中，将制作好的样本集输入到构建的多任务模型中进行训练，具体如下：将训练集样本中的总功耗作为多任务模型的输入，多个目标电器的功耗构成向量作为多任务模型的标签，对多任务模型进行训练，使用验证集验证模型训练的效果，多任务模型训练过程中使用均方误差作为损失函数，如下所示：i

其中p 为第i个电器功率消耗的测量真实值， 为多任务模型输出的第i个电器的功率消耗值，I表示目标电器的数量，n表示样本的数量，使用Adam优化器对多任务模型的训练参数进行优化。

5.根据权利要求4所述的一种基于任务特征融合的非侵入式负荷监测功率分解方法，其特征在于，步骤5中，实时获取获取待分解的总功耗，通过训练好的多任务模型输出目标电器的功率消耗，具体如下：实时获取住宅的总功耗数据，按照步骤2构成测试集，将测试集作为输入，输入到骤4训练好的多任务模型中，输出多个目标家电的功率消耗。