1.一种基于自适应神经网络的电网稳定性实时预测方法，其特征在于包括以下步骤：步骤1：采用动态安全评估数据生成算法，选择各发电机的初始条件、负载需求和故障编号作为神经网络预测系统的输入参数，将这些数据存储在数据库中；

步骤2：将数据库里的数据转换成神经函数可以处理的形式，需要在自适应人工神经网络开始时进行规范化处理；

步骤3：将规范化的数据进行训练，通过反向传播算法，计算出各个数据输出值，并估计误差，达到训练目的；

步骤4：在神经网络完成了训练过程并达到目标后，进行发电机转子角的稳定性预测。

2.根据权利要求1所述一种基于自适应神经网络的电网稳定性实时预测方法，其特征在于：在所述步骤1中，提出一种数据自动生成的算法，根据发电机之间的差异，采用自动数据生成模型确定了系统中所有电机的转子角稳定性，如果角差达到峰值，然后减小，系统就处于稳定状态；如果任何角度的差异无限增加，会导致至少一台机器失去同步，系统就会在一个不稳定的条件下工作。

3.根据权利要求1所述一种基于自适应神经网络的电网稳定性实时预测方法，其特征在于：在所述步骤1中，为稳定和不稳定条件选择目标；当系统在扰动后稳定时，输出值设置为0，当系统不稳定时，输出值设置为1；重复此过程，直到系统发生故障前达到最大负载水平，就将数据进行存储。

4.根据权利要求1所述一种基于自适应神经网络的电网稳定性实时预测方法，其特征在于：在所述步骤2中具体包含以下步骤：步骤2-1：对输入的矢量数据进行归一化，以便将所有数据xi都放在-1到1之间，以防止网络权重的任何波动，归一化的过程基于：r＝xi(max)-xi(min)       (2)

其中：xi为输入的数据，xi(max)、xi(min)为输入值的最大值和最小值，r是输入值的取值范围，r0是所有输入值的中点值；

步骤2-2：提出了一种优化方法来处理由于隐藏层中没有指定数目的神经元这一问题；

通过讨论输入与输出的电导率，可以得出输入层的神经元数目与输入的神经元数目相同，输出层的神经元数目与输出的神经元数目相同；此外，影响人工神经网络输出的另外两个因素是：一是学习率系数，它改变了权重调整的大小；二是动量项，添加动量项可以提高收敛速度，当xi为常数时，输出值被认为是零。

5.根据权利要求1所述一种基于自适应神经网络的电网稳定性实时预测方法，其特征在于：在所述步骤3中，在训练过程中采用反向传播算法，反向传播算法与感知器网络算法相似，有多个层组成；该算法中网络体系结构由三层组成：第一层与输入连接；第二层包含激活函数；第三层是网络的输出。

6.根据权利要求1所述一种基于自适应神经网络的电网稳定性实时预测方法，其特征在于：在所述步骤3中具体包含以下步骤：步骤3-1：网络体系结构第一层，输入被应用到它们的输出目标上，并通过网络层传播来计算误差之和Esum，通过使用均方根误差来计算该误差之和(Root Mean Square Errors，RMSE)，均方根误差定义如下所示：其中：N为事故的总数，tO为目标值，OO为AANN输出值，P＝(1，2，...，N)；

步骤3-2：网络体系结构第二层，有两个停止时刻：第一个时刻是当一个阈值误差达到性能目标值时；第二个时刻是当训练达到一定的迭代次数，网络不能达到阈值误差值时；第二层的网络输出计算定义为：netk＝∑wkiOi+bk    (5)

其中：i为输入节点，k为隐藏节点，O为输出节点，Oi为第一层的输出，wki和wok是输入层和隐藏层之间，以及隐藏层和输出层之间的权重矩阵；将bk设为1，加快收敛过程；

步骤3-3：网络体系结构第三层，网络输出的计算由以下定义：netO＝∑wokOk     (6)

其中：wok是隐藏层和输出层之间的权重矩阵，Ok为隐藏层的输出。

7.根据权利要求1所述一种基于自适应神经网络的电网稳定性实时预测方法，其特征在于：在所述步骤3-3中隐藏神经元和输出神经元采用的激活函数是双曲正切函数，该激活函数由以下定义：其中：f(netk)为隐藏神经元的激活函数；f(netO)为输出神经元的激活函数。

8.根据权利要求6所述的基于自适应神经网络的电网稳定性实时预测方法，其特征在于：在所述步骤3-3中误差的计算，即输出值与目标值进行比较，该误差计算定义为：E＝tO-OO     (9)。

9.根据权利要求6所述的基于自适应神经网络的电网稳定性实时预测方法，其特征在于：在所述步骤3-3中两个网络必须根据两个错误信号进行更新，通过两个错误信号更新，以获得更好的收敛性；

第一个错误信号δO在输出(O)和隐藏层(k)之间，δO定义为：δO＝E×OO(1-OO)     (10)

第二个错误信号δk在隐藏层(k)和输入层(i)之间，δk定义为：δk＝Ok(1-Ok)∑δOwOk        (11)。

10.根据权利要求1所述的基于自适应神经网络的电网稳定性实时预测方法，其特征在于：在所述步骤4中，一般情况下，扰动后的暂态稳定现象持续时间为3-5秒，对于具有主要振荡的区域间模态的大系统，扰动持续时间可延长至10秒，这个时间足以确定转子的振荡是否稳定；

系统中所有机器的转子角都是根据发电机之间的差异来确定的，转子角定义为：Δδ(gi,gk)＝δgi-δgk      (12)

其中：Δδ为转子角，gi、gk是发电机数量，i＝1，2，...(n-1)；k＝1，2，...n，n为监测的发电机总数；

当扰动后转子的振荡稳定时，输出值为0；不稳定时输出值为1，此时将发电机记入不稳定列表中；

当输出为1，不稳定列表中出现发电机时，系统显示出不稳定状态，此时计算信号NS：当AANN处于训练时，新的操作条件遵循以下定义：

f(x)-S＝0     (14)

其中：x为输入参数，f(x)为用于适应新操作条件的静态训练，S为每个情况选择的安全状态；

独立动力系统具有一般的非线性微分关系，该微分关系定义为：

f'(x,Δ)＝f'(x)-Δ×S'       (15)其中：S’为转子角的预测安全状态,在AANN训练完成后，神经网络会跟随该式进行系统的模拟，并得出预测结果。