1.一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法，其特征在于该方法具体是：步骤1：采集数据，构建数据初始样本；

采集的数据主要有每户家庭总电流以及总电压，每隔三秒采集一个数据点；计算得出每个电器的有功功率P；

步骤2：对采集的数据进行自影和他影处理

自影处理方式为：运用DTW算法对小区数据库R1内的有功功率序列进行两两比对，得到两个序列相似度，并对其进行标记，将小区数据库R1内相似度较高的有功功率序列组成子数据库Y1；

他影处理方式为：运用DTW算法对总数据库R内的有功功率序列进行两两比对；计算得到两个序列相似度，并对其进行标记，将小区数据库之间相似度较高的有功功率序列找出组成子数据库F；

将自影和他影处理过程中有功功率序列相似度低的数据组合得到数据库W；

步骤3、随机选取子数据库F或Y1中标记符号相同的两段有功功率序列，其时间长度为12小时，将其均分为3600个窗口，记为f1,f2,f3,…,fs,…,f3600；每个窗口包括四个数据点，将获得的3600个窗口同时在另一功率波形上滑动，记录相同片段，并将其标记为f11,f12,f13,…,fsj，1

第一次波形遍历后，得到的信息包括相同数据重叠位置以及重复的窗口；对重复的窗口进行扩展，每次增加4个数据点，第二次从第一次记录的重叠位置开始遍历，如果满足条件，即序列重叠，则继续对其进行扩展直至不重叠为止，将前一次记录的重叠区间记为最大重叠区间；可得小区数据库内重叠数据，经过筛选后，便可得到精简后的数据库G；

步骤4、将数据库G与数据库W相结合构建新的总数据库H；

步骤5、对新的总数据库H进行负荷辨识，其具体如下：

建立训练集，选取部分典型数据作为训练集；

使用HMM对总功率和用电设备进行建模，将一个家庭中所有的电器建模成一个HMM；电器的状态为HMM的状态，总功率为HMM的观测；

使用HMM对电器建模后，负荷分解问题便转换为：给定HMM的参数λ和总功率序列，确定产生给定的总功率序列对应的最佳电器状态序列；

通过Baum_Welch算法对训练集进行计算得到初始HMM，其中λ＝(A,B,π)；HMM中转移概率矩阵A＝[axy,1≤x,y≤n],为电器从前一状态i到下一状态j的概率，矩阵A为一常数矩阵；

观测概率矩阵B＝[fv(Pτ|x),1≤x≤n],为fv(P|x)电器在状态x下消耗功率为Pτ的概率；

由Viterbi算法求解产生给定的总功率序列对应的最佳状态组合序列，从而达到分解负荷的目的。