Con la integración de energía limpia y nuevos dispositivos electrónicos de potencia en la red eléctrica, la superposición de fuentes armónicas se ha vuelto cada vez más evidente y común. Existe una necesidad urgente de identificar de manera efectiva fuentes armónicas compuestas en la nueva red energética. Este artículo propone un método de clasificación de fuentes armónicas compuestas de múltiples etiquetas que integra la representación del conocimiento con el modelo del transformador. Primero, se extraen tripletes de datos de monitoreo armónico y se utilizan modelos TransR para entrenar vectores de representación de características tiempo-frecuencia. Luego, se entrena el modelo del transformador para aprender las características de los datos de diferentes fuentes armónicas. Finalmente, basándose en el método de clasificación de múltiples etiquetas, se identifican las fuentes armónicas compuestas. Este artículo integra la información semántica de las características tiempo-frecuencia en las muestras de datos, aumentando la interpretabilidad del modelo mientras se amplían las características entre clases, lo que es propicio para la clasificación y reconocimiento del modelo. En comparación con otros métodos de reconocimiento de aprendizaje profundo, la verificación basada en datos de simulación y datos medidos muestra que este método tiene una complejidad de entrenamiento baja y una mayor precisión de reconocimiento.