1.一种基于故障前后潮流特征的电力系统暂态稳定评估方法，其具体步骤如下：S1，数据获取：获取训练以及测试分类器所需要的电力系统运行数据，用PSAT软件搭建新英格兰十机三十九节点电力系统模型，仿真平台基于MATLAB R2016；

假设系统发生最严重的永久三相短路故障，在故障持续一段时间后切除故障，为了得到大致均衡的的失稳与稳定样本比例，通过试凑法得到三个预设故障的持续时间为0.18秒、0.21秒、0.18秒，对中小规模电力系统而言，在暂态稳定研究中关注的时间段通常为系统受扰后3‑5秒，因此，设置时域仿真时长为10s，故障起始时刻为第1秒末，当系统中任意两台发电机之间的转子角差大于180°时，停止时域仿真，系统状态被判断为不稳定，时域仿真过程中选择牛顿‑拉夫逊法求解潮流，功率基准为100MVA，在获取数据时，为了模仿实际电力系统中不断变化的运行状态，假设发电机有功出力以及负荷功率在基准功率的基础上在

80%‑120%范围内随机波动，在数据获取过程中，会产生少量不合格样本，此处不合格样本指的是在故障切除前就已经变得不稳定的样本，在数据处理过程中予以剔除，针对每个预设故障，我们获取4000个样本，其中每个样本包含系统潮流量，发电机功角转速等数据；

S2，特征选择与特征降维；根据特征提取时刻的不同，原始输入特征可以分为静态特征与动态特征，静态特征指的是系统受扰前的稳态测量值及其组合量，如稳态潮流量等；动态特征指的是系统受扰后的动态变量及其组合量，如故障持续期间及故障切除后的潮流量，发电机功角转速等机械量，输入特征如果选择功角转速等机械量，由于其不能由同步相量测量单元直接测得，会引起时延和转换误差，因此选取系统潮流量作为输入特征，选择10台发电机有功无功出力（20维），34条线路传输功率（总共68维），30条母线电压（30维）以及总负荷功率（2维）构成输入特征空间，由于考虑了自动电压调节器（AVR），发电机端口母线电压变化较小，因此不予考虑；在故障切除后，由于切除线路没有功率传输，因此系统线路传输功率变成66维，综上所述，在故障前候选特征为120维，在故障切除后候选特征为118维；

对候选特征进行降维处理，特征选择以及特征提取算法可以达到特征降维的目的，特征选择算法根据特征选择过程是否依赖分类器可以分为过滤法（filter）与包装法（wrapper），这两种方法通常配合进行，时间成本较大，特征提取算法中的主成分分析法（PCA）以最大化投影方差为目标对特征空间进行变换，具有计算效率高，以最大程度保留原始特征信息等优势得到广泛应用，其具体计算步骤如下：训练集样本矩阵为 ，代表样本数量，代表样本维度，首先进行标准化处理得到矩阵 ，根据式（1）计算其样本相关系数矩阵 ，求其特征值与对应的特征向量；

       (1)

然后根据特征值大小进行排序，单位正交化 得到特征向量矩阵 ，特征值 的大小代表数据投影方差的大小，特征向量矩阵 代表新空间的一组基，由此可以得到新空间下的样本矩阵 ；最后计算式（2）所示的特征值累积贡献率 ，根据 的大小确定要保留的主成分；

(2)

选择保留96%的原始样本信息，即： ；满足条件的前 个特征值对应的特征向量形成转换矩阵 ，测试集数据与之相乘即可投影到新的空间；在安全域概念下，故障1、2和

3经过PCA算法降维后的维度为21；在稳定域概念下，故障1、2和3经过PCA算法降维后的维度分别为18、7和14；

S3，暂态稳定评估：SVM是一种经典的有监督二分类机器学习算法，在解决小样本、非线性以及高维度分类问题中展现出了独特的优势，本发明基于Libsvm软件包实现SVM分类算法；对于线性可分样本，SVM在样本空间中寻找一个如式（3）所示的最优分类超平面，使得两类样本在准确分开的前提下，分类间隔最大；

(3)

其中代表超平面法向量，代表超平面位移；

对于线性不可分的样本，引入软间隔优化以及核技巧将分类问题转化为最优化问题，其目标函数及约束条件如式（4）所示；

    (4)

其中 代表惩罚参数， 代表松弛变量， 代表与分类超平面的相对位置，可取值1和‑1， 表式将样本数据映射到高维空间，对样本更好的分类，采用径向基函数作为核函数，表达式如式（5）所示，

   (5)

其中为核参数；

为了更清晰的展现暂态评估效果，定义以下评估术语，True Positive（TP）：系统是暂态不稳定的，并且分类器预测结果也是不稳定的，False Positive（FP）：系统是暂态稳定的，但是分类器预测结果是不稳定的；True Negative（TN）：系统是暂态稳定的，并且分类器预测结果也是稳定的，False Negative（FN）：系统是暂态不稳定的，但是分类器预测结果为稳定，灵敏度（ ）、特异性（ ）以及准确率（ ）的表达式如式（6）（7）（8）所示，由此可知灵敏度表示分类器对失稳样本的预测准确率，特异性表示分类器对稳定样本的预测准确率，准确率反映了分类器总体性能，              (6)          (7)

  (8)

针对预设的三个故障，应用SVM算法分别在安全域和稳定域概念下进行了验证，然后以提高分类器的灵敏度，减少FN样本为目标，对实验结果进行综合分析。

2.根据权利要求1所述的一种基于故障前后潮流特征的电力系统暂态稳定评估方法，其特征在于：所述S1中的三十九总线模型包括十台发电机、34条线路以及19个负荷，发电机采用四阶模型，负荷采用恒阻抗模型，并且在搭建的模型中设置三个电压等级分别为

13.8KV，115KV和345KV。