1.一种深度学习下面向嵌入式设备的非侵入式负荷识别方法，其特征在于，包括以下步骤：步骤1：由采样装置在用户电力入口处采集电气信息，包括电压、电流；步骤2：利用Cusum算法检测用户功率变点，上下添加10W的滑动窗口，检测负荷投切事件；步骤3：设定判断负荷投切稳定判据：连续五个周期的功率的最大值与最小值之差小于3W负荷投切稳定；步骤4：根据监测点前的电流采样数据与负荷投切稳定后的电流采样数据做差，得到负荷的电气特征；步骤5：由电气特征序列值计算负荷无功功率，有功功率，视在功率作为负荷的功率特征，FFT对电流采样值做分解，得到谐波特征，由电压电流采样值一同获取V-I序列特征；步骤6：由一维卷积神经网络识别V-I序列特征做第一次负荷识别，得到第一次属于每种负荷的概率值；由一维卷积神经网络识别的结果结合负荷功率特征，谐波特征在单隐藏层的神经网络中做第二次识别，识别结果即为整个识别网络的最终结果；步骤2中，利用Cusum算法，检测负荷的投切事件，具体如下：在功率时间线上设置两个滑动窗口及阈值，计算两个窗口的差值，当差值大于阈值时，保存前一窗口对应的电压，电流采样值，等待负荷投切稳定后计算电气特征；同样在功率时间线上设置两个滑动窗口及阈值，计算滑动窗口的差值，当连续五次相邻周期的功率差值均小于阈值时，认为负荷投切稳定；所述步骤4，根据监测点前的电流采样数据与负荷投切稳定后的电流采样数据做差，得到负荷的电气特征，具体为：保存当前周期的电压电流值，与前一步保存采样值各自做差，即为当前投切负荷的电气特征；步骤5中，由电压电流采样值一同获得序列特征，是将将负荷V-I图像特征转换为序列特征，转换方法为：(5.1)：搜索电压序列中的最小值或最大值所对应的索引值；(5.2)：将电流序列以该索引值为中心点展开成两条序列；(5.3)：将两条序列逆序做差，得到初始序列特征I sc ；(5.4)：对初始序列做数据标准化，设得到的电流序列中最大，最小的电流采样值分别为I max ，I min ，则电流跨度为I max -I min ，得到新的序列特征T sc 计算方法为：所述步骤5中，FFT对电流采样值做分解，得到谐波特征，是利用FFT获取电流采样序列的谐波特征，得到基波，以及第1，2，3，4，5次谐波的占有率，由移相法计算负荷的功率特征，计算方法如下：有功功率P：n为采样点，V i 、I i 分别为第i个采样点对应的电压、电流；由电压电流的采样序列计算无功功率Q，将电流序列滞后四分之一周期，前四分之一周期的序列值补充到序列尾部，得到新的电流序列：I Qi 为第i个采样点的无功功率电流值；无功功率计算：视在功率：
2.根据权利要求1所述的一种深度学习下面向嵌入式设备的非侵入式负荷识别方法，其特征在于，所述步骤6中的整个识别网络是一种串行连接的网络，第一次识别由一维卷积神经网络提取V-I序列特征后，利用flatten层将由多个卷积核提取的多个一维特征序列转化为一条序列，最后以全链接层作为输出层，激活函数选用SoftMax，输出的结果为该特征属于每个类的概率值，由第一次识别结果融合功率特征，谐波特征，一同作为单隐藏层神经网络的输入，做第二次识别。
