1.一种基于互信息与迭代随机森林的在线动态安全评估方法，其特征在于：它包括以下步骤：步骤1：基于电力系统历史运行数据以及对系统的一系列故障的模拟仿真，构建包含大量运行变量与暂态稳定裕度(Transient Stability Margins，TSMs)的数据集；

步骤2：对数据集进行特征选择，筛选出关键变量；

步骤3：将关键变量发送到迭代随机森林(Iterated Random Forest，IRF)回归器进行训练，特征选择过程与IRF训练共同构成动态安全评估(Dynamic Security Assessment，DSA)模型；

步骤4：通过从广域量测系统(Wide Area Measurement System，WAMS)服务器实时接收到选定的数据，经过训练的DSA模型将立即提供实时评估结果。

2.根据权利要求1所述基于互信息与迭代随机森林的在线动态安全评估方法，其特征在于：在步骤1中，进行时域仿真，得到各运行状态下各故障位置的极限切除时间(Critical Clearing Time，CCT)，通过仿真，确定各个故障位置对应的CCT，将暂态稳定裕度TSM定义为：式中：CCTi为电力系统某个位置在事故i下的极限切除时间；ACTi为故障点在事故i下的实际切除时间。

3.根据权利要求2所述基于互信息与迭代随机森林的在线动态安全评估方法，其特征在于：在步骤1中，在仿真中，通过检查任意两台发电机的最大转子角偏差是否超过360度来判断系统的稳定性。

4.根据权利要求1或2或3所述的基于互信息与迭代随机森林的在线动态安全评估方法，其特征在于：在步骤2中利用部分互信息(Partial Mutual Information，PMI)工具及皮尔逊相关系数(Pearson Correlation Coefficient，PCC)对数据集进行特征选择,具体包含以下步骤：步骤2-1：通过PMI工具探索数据集中各输入变量与暂态稳定裕度TSM的非线性关系；

步骤2-2：通过PCC工具探索数据集中各输入变量与暂态稳定裕度TSM的线性关系；

步骤2-3：基于上述被探索的关系值，从高到低进行排序，筛选出高排名的变量作为关键变量，从而完成特征选择过程。

5.根据权利要求4所述的基于互信息与迭代随机森林的在线动态安全评估方法，其特征在于，在步骤2-1中，PMI的定义为：式中：x，y是在z条件下的随机变量，p为变量x,y的联合概率分布。

6.根据权利要求5所述的基于互信息与迭代随机森林的在线动态安全评估方法，其特征在于：在步骤2-2中，对于样本(Xi,Yi)，PCC的定义如下：式中：n是样本集的大小， 是Xi的均值， 是Yi的均值， 是Xi的标准差， 是Yi的标准差。

7.根据权利要求1所述的基于互信息与迭代随机森林的在线动态安全评估方法，其特征在于，在步骤3中，利用IRF对模型进行离线训练，获得关键变量与相应的TSM之间的映射关系，离线训练时，输入为经特征选择后的关键变量，输出为相应的TSM值，设置迭代次数K以及误差上限错误。

8.根据权利要求7所述的基于互信息与迭代随机森林的在线动态安全评估方法，其特征在于：在利用IRF对模型进行离线训练时，采用以下步骤：(1)迭代加权，给定迭代次数K，迭代的过程用RF(w(k))表示，其中w是一组非负权重，w＝(w1,...,wp)；k＝(1,...,K)，k＝1时表示第一次迭代开始，满足w(1)＝(1/p,...,1/p)，p是输入特征的数量；对于第二次迭代，增加一个加权的RF，其权值设置为与前一个迭代的RF特征重要性相等，以此完成迭代过程；

(2)生成随机森林，当完成全部迭代过程后，最终的特征加权用来生成加权的随机森林，加权的随机森林选择样本进行训练，映射规则由RF(w(k))提供，这个过程产生一系列交互集合(3)稳定性检测，完成训练后，通过产生的交互集合 来进行稳定性检测，以此达到算法的稳定、精确性，定义交互集合为 其中：b＝1,...,B，利用集合来分配训练中的稳定性分数，分数大于0.5的映射关系能够得到保留，稳定性分数S定义如下：式中：B为映射关系的次数。

9.根据权利要求7或8所述的基于互信息与迭代随机森林的在线动态安全评估方法，其特征在于，在步骤3中，将基于PMI和PCC的特征选择过程与基于IRF的回归预测相结合，共同构成DSA模型。

10.根据权利要求1所述的基于互信息与迭代随机森林的在线动态安全评估方法，其特征在于，在步骤4中，通过实时接收由WAMS服务器发送的数据，经更新后的DSA模型完成对电力系统的实时安全评估。