1.一种基于模糊聚类和支持向量回归的非侵入式负荷监测方法，其特征在于，包括以下步骤：

步骤1，测量设定时间段内所有负荷的运行功率，提取负荷特征集；

步骤2，对监测总功率序列中的功率值进行模糊聚类，选定中心点值最大的聚类，构建待分解的总功率序列；

步骤3，基于负荷特征集，提取各负荷的特征序列，比较待分解的总功率序列与各负荷的特征序列之间的距离，识别出最大贡献负荷；

步骤4，采用支持向量回归对最大贡献负荷的功率值进行估计；

步骤5，将最大贡献负荷的功率值从原监测总功率序列中减去，并进行误差校验；

步骤6，重复步骤2到步骤5，直到所有负荷分解完成；

所述步骤1，测量设定时间段内所有负荷的运行功率，提取负荷特征集，具体包括：T

在设定时间段T内，获取各负荷运行的功率值组成训练数据库D；

从训练数据库中提取每种负荷的运行曲线通过减去阈值的方式进行去噪处理后构成i

负荷特征集S＝{S}；

所述步骤2，对监测总功率序列中的功率值进行模糊聚类，选定中心点值最大的聚类，构建待分解的总功率序列，具体包括：对监测总功率序列P中的功率值进行模糊聚类；

中心值最大的聚类中的功率值被提取后，其它值均设置为0得到待分解的总功率序列j

A；

所述步骤3，基于负荷特征集，提取各负荷的特征序列，比较待分解的总功率序列与各负荷的特征序列之间的距离，识别出最大贡献负荷，具体包括：i

基于负荷特征集，提取各负荷的特征序列S；

j i

计算待分解的总功率序列A与各负荷的特征序列S之间的距离，如下：j i j i

D(A ,S)＝DTW(A ,S)；

选取距离最短的特征序列对应的负荷作为当前最大贡献负荷；

所述步骤4，采用支持向量回归对最大贡献负荷的功率值进行估计，具体包括：步骤4.1，将负荷特征集按照运行周期进行分割，用作功率值估计的训练数据；

步骤4.2，使用遗传算法对支持向量回归算法的c和g参数进行优化，得到优化的支持向量回归模型；

步骤4.3，使用功率做为唯一特征，采用优化的支持向量回归模型进行最大贡献负荷的j

功率值估计，处理为与P等长的序列A '。

2.根据权利要求1所述的基于模糊聚类和支持向量回归的非侵入式负荷监测方法，其特征在于，所述步骤5，将最大贡献负荷的功率值从原监测总功率序列中减去，并进行误差校验，具体包括：

步骤5.1，按照下式计算不包括当前最大贡献负荷运行的新的总功率序列：j

P＝P‑A '

步骤5.2，对当前新的总功率序列进行误差校验，考虑以下三种情况：第一，检查当前新的总功率序列，若功率值出现负值，认为有估计误差，将该值设置为前后两个功率值的平均值，并反过去调整支持向量回归算法估计的功率值；

第二，如果聚类后获得的子序列短于特征中对应负荷的子序列，认为有估计误差，将错误的聚类功率值调整为该聚类邻居的中心值，并补偿先前的功率估计；

第三，标识为同一负荷的多个同时运行状态的值被认为是估计误差，重新将最大贡献j

负荷识别为距离与A次近的负荷。

3.根据权利要求1所述的基于模糊聚类和支持向量回归的非侵入式负荷监测方法，其特征在于，所述步骤6中，重复步骤2到步骤5，直到所有负荷分解完成，具体为：迭代进行步骤2到步骤5的过程，直至只剩恒运行负荷为止，所述恒运行负荷指的是在运行期间功率无明显变化的负荷。