1.一种融合递推状态估计的动态电力系统异常检测方法，其特征在于，包括如下步骤：s1.对复杂电力系统进行多节点电气等效，进而对由电气等效后的多节点构成的复杂电力系统，根据电力系统长时动态特性建立简化的系统节点电压的非线性递推模型；

s2.基于递推状态估计滤波算法实现基于非线性递推模型的系统节点电压动态递推估计，得到系统节点电压原始残差矩阵；

在此基础上，进一步构造随机扰动注入的系统节点电压残差随机矩阵；

s3.构造基于特征谱均值-方差统计量的系统残差动态性能指标，进而根据构造的自适应统计判定阈值，实现对动态电力系统的有效状态评估和异常检测。

2.根据权利要求1所述的动态电力系统异常检测方法，其特征在于，所述步骤s1中，经过n节点电气等效的复杂电力系统可表示为：xk+1＝f(xk)+qk                                               (1)zk+1＝h(xk+1)+rk+1                                             (2)其中，xk为(2n-1)×1维电压幅值状态向量，包括n个系统节点电压幅值与相角；

zk为(2n+2m)×1维系统量测向量，包括n个系统节点电压幅值与相角，以及m条线路有功功率潮流与无功功率潮流；

f(x)为等效非线性过程方程，用以表征系统节点电压幅值的状态向量；

h(x)为等效非线性过程方程，用以表征系统量测向量的函数关系；

qk～N(0,Qk)为n×1维系统状态扰动向量；

rk+1～N(0,Rk+1)为m×1维系统量测扰动向量；

Qk和Rk+1分别为系统状态扰动向量和系统量测扰动向量对应的协方差矩阵。

3.根据权利要求1所述的动态电力系统异常检测方法，其特征在于，所述步骤s1中，非线性递推模型的表达式为：xk+1|k＝Sk+bk                                                 (3)Sk＝αHxk|k+(1-αH)xk|k-1                                        (4)bk＝βH(Sk-Sk-1)+(1-βH)bk-1                                     (5)其中，xk+1|k表示k时刻对k+1时刻系统状态的预测值；

xk|k表示k时刻当前系统状态的量测值；

xk|k-1表示k-1时刻对k时刻系统状态的预测值；

Sk、Sk-1、bk以及bk-1均为中间过程变量；αH和βH分别为经验拟合系数。

4.根据权利要求1所述的动态电力系统异常检测方法，其特征在于，所述步骤s2中，递推状态估计滤波算法包括无迹卡尔曼滤波算法或粒子滤波算法。

5.根据权利要求1所述的动态电力系统异常检测方法，其特征在于，所述步骤s2中，系统节点电压原始残差矩阵为系统节点电压幅值与系统节点电压幅值递推估计值的差值矩阵 表示为：其中，

xi,k为系统节点电压幅值矩阵的第i行、第k列元素；

为系统节点电压幅值递推估计矩阵的第i行、第k列元素；

为系统节点电压原始残差矩阵的第i行、第k列元素；

差值矩阵 的列数为w，表示系统节点电压原始残差矩阵的采样窗口大小。

6.根据权利要求5所述的动态电力系统异常检测方法，其特征在于，所述步骤s2中，随机扰动注入的系统节点电压残差随机矩阵Xk为：其中，e为满足高斯分布的0均值随机注入扰动，其方差为

7.根据权利要求1所述的动态电力系统异常检测方法，其特征在于，所述步骤s3中，基于特征谱均值-方差统计量的系统残差动态性能指标SAk的表达式为：其中，λj,k为k时刻随机扰动注入的系统节点电压残差随机矩阵的协方差矩阵特征值；

和 分别为系统正常状态下节点j对应特征值序列λj的均值和标准差，该系统正常状态节点特征值序列由满足高斯分布的0均值随机注入扰动e的均值和标准差近似替代。

8.根据权利要求7所述的动态电力系统异常检测方法，其特征在于，所述步骤s3中，自适应统计判定阈值δ的表达式为：其中，

其中，f为施加于单一节点电压的异常分量值；

λn为实非相关Wishart矩阵w-1EET的最小特征值；

E为(2n-1)×w维矩阵，其中每一列分别对应随机注入扰动向量e，其方差为表示异常分量值f的平方的数学期望；

表示实非相关Wishart矩阵w-1EET的最小特征值的数学期望；

为实非相关Wishart矩阵w-1EET的第i特征值的方差。

9.根据权利要求8所述的动态电力系统异常检测方法，其特征在于，所述自适应统计判定阈值δ为单一异常幅值下异常分量值f检测的充分条件，当系统中多个节点叠加异常分量大于异常分量值f时，自适应统计判定阈值δ均能够可靠检测。