1.基于时间增强型多维特征可视化的非侵入式负荷监测方法，其特征在于，包括以下步骤：步骤1：提取负荷状态变化前后的电压电流信号，按照时间标签整理V‑I轨迹；

步骤2：构建带时间标签的三维时空V‑I轨迹；

步骤3：将三维V‑I轨迹编码成带时间戳的彩色图像；

步骤4：构建基于迁移学习的识别模型，再将带时间特性的三维彩色V‑I轨迹图像输入到识别模型中进行训练和测试；

通过以上步骤实现非侵入式负荷的监测；

在步骤3中，为提高带时间戳三维V‑I轨迹的特征表达，以时序特征为基准，利用色调、饱和度、明度将三维V‑I轨迹编码成带时间戳的彩色图像；包括以下子步骤：步骤3.1：用色调H标识轨迹的运动方向，并记为：

其中，函数atan2(·)是一个四象限反正切函数，它计算轨迹中两个连续点的相位角，得到角的范围从0°到360°，Vj+1指的是第j+1点的电压值，Vj指的是第j点的电压值，Ij+1指的是j+1点的电流值，Ij指的是第j点的电流值，Tj+1指的是j+1点的时间戳，Tj指的是第j点的时间戳，vmax指的是电压最大值，imax指的是电流最大值，tmax指的是时间最大值；

定义一个新的时序色调矩阵H(nx,ny)，其元素是通过网格(nx,ny)的轨迹段的色调平均值计算的，表示为其中，A是一个集合，包含了所有穿过网格 的路径点的索引；A＝{a|a路径点穿过网格 |·|是一个集合的基数；

包含了时序特征，即它基于轨迹段在时间序列中的变化率计算得出,将在2N×2N的矩阵中为每个网格点提供一个基于时间变化的色调值；

其中，nx指的是时序色调矩阵H的行数，ny指的是时序色调矩阵H的列数， 指的是网格中的行索引， 指的是网格中的列索引，Hj指的是轨迹中第j对连续点之间的相位角；

步骤3.2：用饱和度S表示负荷的功率因数，即有功功率与视在功率的比值，具体为：N为采样点总数，Pactive为有功功率，Papparent为视在功率，Vrms，Irms分别为负载电压和电流的有效值，vn指的是第n个采样点的电压值，in指的是第n个采样点的电流值；

步骤3.3：明度用谐波特征来表示，使用傅里叶变换FFT对稳态电流信号进行分解：I＝A1sin(ωt+θ1)+A2sin(ωt+θ2)+...+Aksin(ωt+θk)A1,A2,Ak是每个谐波的振幅，θ1,θ2,θk是每个谐波的相位角；

谐波振幅和相位在数值上很大，将它们与带时间特性的三维V‑I迹线融合需要对电压、电流和振幅相位进行数据处理；规范化所选数据，需要执行以下操作：K表示原始值，Kmin表示周期的最小值，Kmax表示周期的最大值，K'表示归一化值；

归一化数据的四舍五入如下：

Ksure＝Floor(K'×(N‑1))

A'f＝Floor(Af)÷N＝xf...yf

Ksure和A'f表示最终的特征值，Af表示基本幅度，xf表示商，yf表示余数，Floor(Af)指的是对基本幅度Af取下限。

2.根据权利要求1所述的方法，其特征在于，在步骤1中，包括以下子步骤：步骤1.1：通过智能传感器获得聚合的功率、电流和电压信息，构建带时间标签的V‑I曲线；假定一定时刻只有一个负载的工作状态发生变化，提取负荷状态变化前后的电流和电压信号，获取负荷的V‑I轨迹；

步骤1.2：提取事件前后T个周期的稳态电流和电压波形，分别表示为von、voff、ion和ioff，以基波电压相位角作为参考，对周期性电压波形进行快速傅里叶变换，将基波电压与水平轴的第一个交点作初始采样点，加时间标签的负荷电压电流定义为：v(t)＝(von+voff)/2

i(t)＝(ioff‑ion)/2

以一个周期内的电压和电流分别为横坐标和纵坐标即形成带时间标签的V‑I轨迹。

3.根据权利要求1所述的方法，其特征在于，在步骤2中，构建带时间标签的三维V‑I轨迹曲线，包括以下子步骤：步骤2.1：构建电压V、电流I和时间t的三维坐标，以时间轴为基准，使每个电压电流数据对应一个时间点；

步骤2.2：以时间轴为基准，连接序列中任意连续两点的线段，绘制三维轨迹图。

4.根据权利要求3所述的方法，其特征在于，在步骤2.1中，构建带时间轴的三维坐标，包括以下子步骤：步骤2.1.1：定义三维坐标系中的电压V、电流I和时间t分别对应于X轴、Y轴和Z轴，对电压和电流数据进行归一化，以便在统一的比例尺中进行比较；

步骤2.1.2：使用np.arange函数创建一个从0开始到总采集时间T的等间隔时间戳序列，具体为：t＝np.arange(0,T,Δt)

其中，时间间隔Δt是根据采样频率确定的，T是总的采集时间长度，Δt是采样时间间隔，确保每个电压和电流数据点都有一个对应的时间点；

接着，每个电压和电流的读数将被映射到三维空间中的点上，每个点代表一个特定时间点的电压和电流值，具体为：Pi＝[Vnorm(i),Inorm(i),t(i)]

Pi表示三维空间中的一个点，由归一化后的电压Vnorm(i)，归一化后的电流Inorm(i)以及对应的时间戳t(i)组成。

5.根据权利要求4所述的方法，其特征在于，在步骤2.2中，考虑到每个点：Pi＝[Vnorm(i),Inorm(i),t(i)]在三维空间中的位置，构建一条带时间特征的V‑I曲线，对于序列中的任意连续点[Vnorm(i),Inorm(i),t(i)]和[Vnorm(i+1),Inorm(i+1),t(i+1)]，构建一条连接这两点的线段，对于两个连续点之间的线段，参数化方程为：λ是介于0和1之间的参数，代表从点Pi到Pi+1的插值；Vnorm(i+1)指的是序列中下一个点的归一化电压，Inorm(i+1)指的是序列中下一个点的归一化电流，下标norm指的是归一化处理，t(i)指的是当前点的时间戳，t(i+1)指的是下一个点的时间戳；

整个轨迹是由所述线段依次连接而成的，轨迹的数学表示看作是这些线段方程的集合，具体为：其中，n是数据点的总数，Linei(λ)指的是整个轨迹是由连接序列中每两个相邻点的线段方程组成的集合，i指的是每对相邻点的索引。

6.根据权利要求1所述的方法，其特征在于，在步骤4中，构建基于迁移学习的图像识别模型，模型包括ECA‑ResNet34。