1.一种多设备多任务非侵入式负载识别方法，其特征在于：包括如下步骤：

S1、获取多个电器设备的总负载功率；

S2、建立多任务联合识别模型并采用训练集进行训练，所述多任务联合识别模型包括依次连接的编码器、初步预测模块、任务解码器和最终预测模块，其中：所述编码器，包括四个串连的ResNet残差块；

所述初步预测模块，包括并行的分类模块和回归模块，所述分类模块和回归模块均用于执行如下操作：利用第一解码器对编码器输出的共享特征进行解码，获得解码特征；

利用预测头对解码特征进行预测，获得初始预测结果；

将初始预测结果和解码特征在通道维度上进行拼接操作获得拼接特征向量；

所述任务解码器，包括三个串连的解码模块，且所述任务解码器的输入特征包括分类模块的初始预测结果、回归模块的初始预测结果、以及前三层ResNet残差块的输出特征，所述解码模块包括并行的分类任务分支和回归任务分支，所述分类任务分支和回归任务分支均包括依次连接的一个特征融合模块、两个第一Mamba模块和一个第二Mamba模块；

所述最终预测模块，包括两个并行的预测头，并将第三个解码模块的两个第二Mamba模块的输出特征一一对应输入预测头，则两个预测头的输出特征即为最终预测结果；

S3、将待识别的多个电器设备的总负载功率输入训练好的多任务联合识别模型，获得对应的最终预测结果即为负载识别结果。

2.如权利要求1所述的多设备多任务非侵入式负载识别方法，其特征在于：所述ResNet残差块用于执行如下操作：将对应层所述ResNet残差块的输入特征依次经过卷积层、激活函数和卷积层获得第一提取特征、以及经过卷积层获得第二提取特征，将所述第一提取特征与第二提取特征进行相加操作后，再依次经过激活函数和最大池化层获得对应层所述ResNet残差块的输出特征。

3.如权利要求1所述的多设备多任务非侵入式负载识别方法，其特征在于：所述第一解码器包括串连的一维卷积层和ReLU激活函数。

4.如权利要求1所述的多设备多任务非侵入式负载识别方法，其特征在于：所述任务解码器的输入特征包括分类模块的初始预测结果、回归模块的初始预测结果、以及前三层ResNet残差块的输出特征，具体如下：第一个解码模块中分类任务分支的输入特征为分类模块的拼接特征向量和编码器的第三层ResNet残差块的输出特征，回归任务分支的输入特征为回归模块的拼接特征向量和编码器的第三层ResNet残差块的输出特征；第二个解码模块中分类任务分支的输入特征为第一个解码模块中分类任务分支的输出特征和编码器的第二层ResNet残差块的输出特征，回归任务分支的输入特征为第一个解码模块中回归任务分支的输出特征和编码器的第二层ResNet残差块的输出特征；第三个解码模块中分类任务分支的输入特征为第二个解码模块中分类任务分支的输出特征和编码器的第一层ResNet残差块的输出特征，回归任务分支的输入特征为第二个解码模块中回归任务分支的输出特征和编码器的第一层ResNet残差块的输出特征。

5.如权利要求4所述的多设备多任务非侵入式负载识别方法，其特征在于：

所述特征融合模块包括依次串连的反卷积层、标准化层、通道拼接模块和卷积层，所述通道拼接模块用于将标准化层的输出特征与输入的对应层ResNet残差块的输出特征在通道维度上进行拼接操作；

所述第一Mamba模块用于执行如下操作：

将输入的特征经过标准化层获得第三提取特征，将第三提取特征经过线性层和激活函数获得第四提取特征、以及经过线性层、一维卷积层、激活函数、SSD模块和标准化层获得第五提取特征，将第四提取特征和第五提取特征进行相乘操作后经过线性层获得第六提取特征，再将输入的特征和第六提取特征进行相加操作形成第一Mamba模块的输出特征；

所述第二Mamba模块用于执行如下操作：

将对应分类任务分支的最后一个第一Mamba模块的输出特征和回归任务分支的最后一个第一Mamba模块的输出特征在通道维度上进行拼接操作后经一维卷积层进行特征融合，获得融合特征；

将对应任务分支的最后一个第一Mamba模块的输出特征经过标准化层获得第七提取特征，将第七提取特征经过线性层和激活函数获得第八提取特征、以及经过线性层、一维卷积层、激活函数、CSSD模块和标准化层获得第九提取特征，将第八提取特征和第九提取特征进行相乘操作后经过线性层获得第十提取特征，再将第三个解码模块中对应任务分支的输出特征和第十提取特征进行相加操作形成第二Mamba模块的输出特征，所述CSSD模块的输入特征还包括融合特征。

6.如权利要求5所述的多设备多任务非侵入式负载识别方法，其特征在于：所述SSD模块和CSSD模块具有相同的选择状态空间，计算公式如下：其中， 为t时刻的隐藏状态， 为t‑1时刻的隐藏状态， 为t时刻的输入数据， 、和 为t时刻的可学习参数，依次对应为t时刻保留t‑1时刻的隐藏状态的权值、t时刻的输入数据的权值和t时刻的隐藏状态的权值，T表示转置， 为t时刻的输出数据。

7.如权利要求1所述的多设备多任务非侵入式负载识别方法，其特征在于：各所述预测头包括依次串连的线性层和激活函数。

8.如权利要求1所述的多设备多任务非侵入式负载识别方法，其特征在于：所述训练集中各样本包括对应时刻的总负载功率、各电器设备的开关状态和各电器设备的能耗。

9.如权利要求1所述的多设备多任务非侵入式负载识别方法，其特征在于：所述多设备多任务非侵入式负载识别方法还包括如下步骤：采用双线性插值法分别统一分类模块的初始预测结果与真实值的时间序列长度、以及统一回归模块的初始预测结果与真实值的时间序列长度，并对应计算分类损失和回归损失；

对应计算最终预测结果与真实值的分类损失和回归损失；

根据初步预测模块的分类损失和回归损失、以及最终预测模块的分类损失和回归损失计算总损失函数并进行反向传播，以更新多任务联合识别模型的参数。

10.如权利要求9所述的多设备多任务非侵入式负载识别方法，其特征在于：所述总损失函数 ，公式如下：式中， 表示第 级别的回归损失， 表示第 个级别的分类损失，A表示分类权重，B表示回归权重， 表示第 级别的t时刻的真实值， 表示第 级别的t时刻的预测值，=1S，S为级别的数量，取值为1和2，则第1级别即表示初步预测模块，第2级别即表示任务解码~器，TL为最终预测结果的时间序列长度，也即真实值的时间序列长度，t=1 TL。

~