1.基于状态矩阵决策树的非侵入式负荷检测与分解方法，其特征在于，包括：S1、对样本数据进行预处理，包括数据清洗、数据集成和数据归约，得到有效的样本数据；

S2、利用频谱分析法确定数据样本周期；

S3、基于顺序向前特征选择算法与K-means聚类算法选择负荷特征，再根据样本周期，利用时序特征选择算法，提取辨识度高的负荷特征；

S4、基于改进型滑动窗双边CUSUM事件检测算法与决策树的负荷识别与分解，建立自动识别的单一设备工作状态模型，在此基础上，引入状态矩阵决策树，建立负荷时序特征概率模型，从而实现叠加设备工作状态的自动识别。

2.如权利要求1所述的方法，其特征在于，S1中的数据清洗的方法为格拉布斯法。

3.如权利要求1所述的方法，其特征在于，S1中的数据集成的方法为相关系数法。

4.如权利要求1所述的方法，其特征在于，S1中的数据归约的方法为回归分析法。

5.如权利要求1所述的方法，其特征在于，步骤S2的具体过程为：将筛选得到的特征值按特定周期每间隔一定数量进行数据筛选和分组，分组方法是对时序特征量进行傅里叶变换，获得强度频谱，找出最大的频率分量，将其倒数确定为周期。

6.如权利要求1所述的方法，其特征在于，步骤S3的具体过程为：S31、根据顺序向前特征选择算法来确定最优特征子集，设已选入了k个特征构成了一个大小为k的特征组Xk，把未选入的d-k个特征Xj，j＝1，2，3，...，d-k，按与已入选特征组合后的J值大小排列，顺序向前特征选择算法由空特征集开始，在其后的每一次循环中，选择原特征集中最好的特征，并将它添加到该集合中，直到特征数增加到m为止；

S32、采用K-means聚类算法对不同类样本间特征的分开程度进行评价，从几何直观的角度来看，类间可分性越大，则类间的距离越大，不同类样本间的分类更远，同时类内距离尽可能小，则类内聚集度高；给定样本集K，K-means算法将样本集分割为K各簇，每个聚类中心是簇中样本的均值；然后将其余对象根据其与各个簇中所有样本的距离分配到最近的簇，再要求新的簇的中心，这个迭代定位过程不断重复，使得每个簇中所有样本与中心的距离总和最小，直到目标函数最小化，从而选择出最优特征；

S33、计算用电设备运行特征值，剔除样本数据中的无效周期，选取具有可行性的15个周期数据作为样本数据，通过计算这15个周期数据的特征值,再通过特征值分类，提取得到辨识度最高的特征。

7.如权利要求1所述的方法，其特征在于，步骤S4的具体过程为：S41、根据样本数据中所有设备有功功率的最大值将其分为高、中、低三种设备属性；

S42、基于C4.5决策树分类算法，认为每个负荷都自成一类，相当于决策树中的叶节点，通过自顶向下的递归方式，在决策树的内部节点进行属性值的比较并根据不同的属性值判断从该节点向下的分支的方式进行分类，直到每个类别只含有唯一结果、即叶纯净为止，根据得到的最优负荷特征参数进行负荷识别，判断当前功率数据符合哪些设备；

S43、引入改进后的滑动窗双边CUSUM事件检测算法识别有功功率的稳态特征与暂态特征，通过事件检测程序在每一个采样点不停地追踪各个设备状态的改变，并通过在整个时间序列中检测某个负荷是否存在状态的改变，实现时间序列中负荷的识别，从而判断当前时刻设备的操作时间；再进行负荷分解，即得到当前数据的当前时刻是处于某个设备的某种状态；

S44、根据有功功率的暂态特性与稳态特性建立设备功率状态矩阵，通过训练样本对设备的状态功率的稳态特征与暂态特征取均值，并对其求标准差作为波动水平，引入状态矩阵决策树，建立负荷时序特征概率模型，从而确立当前叠加运行设备的最优解，最终实现设备的自动识别。

8.如权利要求7所述的方法，其特征在于，步骤S43中的负荷的状态改变包括负荷的投入和切除、档位的切换以及工作状态的变化。