1.一种非侵入负荷识别装置，其特征在于，所述装置包括：预处理模块，用于在确定负荷投切事件发生时，获取待识别负荷的V-I曲线图像、电流包络线图像、无功电流频谱数据、有功功率和无功功率；特征提取模块，用于通过卷积神经网络对所述V-I曲线图像进行特征提取得到图像特征向量，并对所述电流包络线图像进行特征提取得到包络线特征向量，以及通过全连接神经网络对所述无功电流频谱数据进行特征提取得到频谱特征向量；其中，所述卷积神经网络包括：多层级残差网络，用于对输入图像进行多层级特征提取得到不同层级的特征图，并对所述不同层级的特征图进行拼接得到M1个特征图；第一卷积单元，用于对所述M1个特征图进行卷积处理得到M2个特征图；再处理单元，用于对所述M2个特征图进行随机均匀重排、池化和拼接处理后得到M3个特征图；深度可分离卷积单元，用于对所述M3个特征图进行深度可分离卷积处理得到M4个特征图；全局平均池化单元，用于对所述M4个特征图进行全局平均池化处理得到所述输入图像的特征向量，其中，M1、M2、M3和M4均为正整数；特征融合模块，用于通过特征融合网络对所述图像特征向量、所述包络线特征向量、所述频谱特征向量、所述有功功率和所述无功功率进行特征融合得到融合特征向量；识别模块，用于通过分类器对所述融合特征向量进行类型识别得到所述待识别负荷的类型。
2.根据权利要求1所述的非侵入负荷识别装置，其特征在于，所述装置还包括：采集模块，用于采集负荷群端口处的电压和电流；获取模块，用于根据所述电压和所述电流获取无功电流、所述有功功率和所述无功功率；确定模块，用于在所述电压和所述无功电流的变化情况满足预设条件时，确定负荷投切事件发生。
3.根据权利要求2所述的非侵入负荷识别装置，其特征在于，所述预处理模块包括：图像生成单元，用于根据所述无功电流和所述电压生成所述V-I曲线图像，并根据所述电流生成所述电流包络线图像；频谱生成单元，用于对所述无功电流进行傅里叶变换得到所述无功电流频谱数据。
4.根据权利要求1所述的非侵入负荷识别装置，其特征在于，所述多层级残差网络包括：N个第二卷积单元，第1个第二卷积单元的输入端作为所述卷积神经网络的输入端，第i+1个第二卷积单元的输入端与第i个第二卷积单元的第一输出端相连，所述N个第二卷积单元用于对所述输入图像进行多层级特征提取得到不同层级的特征图；N-1个第一最大池化层，第i个第一最大池化层的输入端与所述第i个第二卷积单元的第二输出端相连，用于对相应第二卷积单元的特征图进行最大池化处理，N为大于等于2的整数且1≤i＜N；第一拼接层，所述第一拼接层的输入端分别与第N个第二卷积单元的输出端和所述N-1个第一最大池化层中的每个第一最大池化层的输出端相连，用于对所述第N个第二卷积单元输出的特征图和最大池化处理后的特征图进行拼接处理得到所述M1个特征图。
5.根据权利要求4所述的非侵入负荷识别装置，其特征在于，所述N个第二卷积单元中的每个第二卷积单元均包括：卷积层、第一归一化处理层和Hard-swish激活层。
6.根据权利要求4所述的非侵入负荷识别装置，其特征在于，所述N-1个第一最大池化层中的每个第一最大池化层的池化核大小均不同。
7.根据权利要求1所述的非侵入负荷识别装置，其特征在于，所述再处理单元包括：洗牌层，所述洗牌层的输入端与所述第一卷积单元相连，用于对所述M2个特征图进行洗牌处理；分割层，所述分割层的输入端与所述洗牌层的输出端相连，所述分割层包括K个输出端，用于对洗牌处理后的M2个特征图进行均匀随机分割处理得到K组特征图，并通过所述K个输出端输出，K为大于等于2的整数；空间金字塔池化层，所述空间金字塔池化层包括K-1个第二最大池化层，所述K-1个第二最大池化层的输入端与所述分割层中的第1至第K-1个输出端对应相连，用于对所述第1至第K-1个输出端输出的特征图进行最大池化处理；第二拼接层，所述第二拼接层的输入端分别与所述分割层中的第K个输出端和所述K-1个第二最大池化层中的每个第二最大池化层的输出端相连，用于对所述第K个输出端输出的特征图和最大池化处理后的特征图进行拼接处理得到所述M3个特征图。
8.根据权利要求7所述的非侵入负荷识别装置，其特征在于，所述K-1个第二最大池化层中的每个第二最大池化层的池化核大小均不同。
9.根据权利要求1所述的非侵入负荷识别装置，其特征在于，所述深度可分离卷积单元包括：逐通道卷积层，所述逐通道卷积层的输入端与所述再处理单元相连，用于对所述M3个特征图进行逐通道卷积处理；逐点卷积层，所述逐点卷积层的输入端与所述逐通道卷积层的输出端相连，用于对逐通道卷积处理后的特征图进行逐点卷积处理；第二归一化处理层，所述第二归一化处理层的输入端与所述逐点卷积层的输出端相连，用于对逐点卷积处理后的特征图进行归一化处理；Hard-swish激活层，所述Hard-swish激活层的输入端与所述第二归一化处理层的输出端相连，用于对归一化处理后的特征图进行激活处理得到所述M4个特征图。
10.一种非侵入负荷识别方法，其特征在于，所述方法包括：在确定负荷投切事件发生时，获取待识别负荷的V-I曲线图像、电流包络线图像、无功电流频谱数据、有功功率和无功功率；通过卷积神经网络对所述V-I曲线图像进行特征提取得到图像特征向量，并对所述电流包络线图像进行特征提取得到包络线特征向量；其中，所述卷积神经网络包括：多层级残差网络，用于对输入图像进行多层级特征提取得到不同层级的特征图，并对所述不同层级的特征图进行拼接得到M1个特征图；第一卷积单元，用于对所述M1个特征图进行卷积处理得到M2个特征图；再处理单元，用于对所述M2个特征图进行随机均匀重排、池化和拼接处理后得到M3个特征图；深度可分离卷积单元，用于对所述M3个特征图进行深度可分离卷积处理得到M4个特征图；全局平均池化单元，用于对所述M4个特征图进行全局平均池化处理得到所述输入图像的特征向量，其中，M1、M2、M3和M4均为正整数；通过全连接神经网络对所述无功电流频谱数据进行特征提取得到频谱特征向量；通过特征融合网络对所述图像特征向量、所述包络线特征向量、所述频谱特征向量、所述有功功率和所述无功功率进行特征融合得到融合特征向量；通过分类器对所述融合特征向量进行类型识别得到所述待识别负荷的类型。
11.根据权利要求10所述的非侵入负荷识别方法，其特征在于，所述方法还包括：采集负荷群端口处的电压和电流；根据所述电压和所述电流获取无功电流、所述有功功率和所述无功功率；在所述电压和所述无功电流的变化情况满足预设条件时，确定负荷投切事件发生。
12.根据权利要求11所述的非侵入负荷识别方法，其特征在于，获取待识别负荷的V-I曲线图像、电流包络线图像、无功电流频谱数据，包括：根据所述无功电流和所述电压生成所述V-I曲线图像；根据所述电流生成所述电流包络线图像；对所述无功电流进行傅里叶变换得到所述无功电流频谱数据。
13.一种计算机可读存储介质，其特征在于，其上存储有非侵入负荷识别程序，该非侵入负荷识别程序被处理器执行时实现根据权利要求10-12中任一项所述的非侵入负荷识别方法。
14.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的非侵入负荷识别程序，所述处理器执行所述程序时，实现根据权利要求10-12中任一项所述的非侵入负荷识别方法。
