1.一种基于伞式算法的电力系统动态安全误分类约束方法，其特征在于，包括以下步骤：

步骤1：基于动态安全分类规则，构建相应的动态安全分类标签；

步骤2：对基于电力系统历史运行数据库构建的初始样本集进行特征选择，获取关键特征集；

步骤3：基于伞式算法的奈曼皮尔逊(Neyman-Pearson，NP)综合分类器构建在线动态安全评估(Dynamic Security Assessment，DSA)模型，利用关键特征集及相应动态安全分类标签作为输入送入到分类器中进行离线训练；

步骤4：考虑电力系统运行拓扑结构变化、发电机/负荷间功率分布变化以及负荷特性变化对系统影响，进行时域仿真获得更新样本集，送入到综合NP分类器中进行模型更新；

步骤5：通过实时收集的相量测量单元(Phasor Measurement Units，PMUs)数据进行在线DSA。

2.根据权利要求1所述的一种基于伞式算法的电力系统动态安全误分类约束方法，其特征在于：在步骤1中，构建相应的动态安全分类标签步骤如下：(1)根据系统故障潮流仿真计算各种工况对应的极限切除时间(Critical Clearing Time，CCT)；

(2)根据动态安全分类规则：当实际切除时间(Actual Clearing Time，ACT)小于等于CCT，系统安全，分类标签为1；ACT大于CCT，系统不安全，分类标签为0，构建动态安全指标和相应的分类标签如公式(1)和(2)所示；

式中：m为用户自定义阈值。

3.根据权利要求1所述的一种基于伞式算法的电力系统动态安全误分类约束方法，其特征在于：在步骤2中，对电力系统海量运行数据直接进行DSA，存在的数据量大、计算速度慢、耗时等缺陷，采用能够探索两者变量之间非线性关系的最近邻预测独立性检验(Bagging Nearest-Neighbor Prediction Independence Test，BNNPT)方法作为特征选择工具进行数据降维。

4.根据权利要求1所述的一种基于伞式算法的电力系统动态安全误分类约束方法，其特征在于：在步骤3中，将经过特征选择的新样本集按照五倍交叉验证法规则分为训练集和测试集，用于NP分类器训练。

5.根据权利要求1或4所述的一种基于伞式算法的电力系统动态安全误分类约束方法，其特征在于：在步骤3中，基于NP准则的伞式算法对多种传统分类器：随机森林(Random forests，RF)、AdaBoost、支持向量机(Support Vector Machine，SVM)、线性判别分析(Latent Dirichlet Allocation，LDA)、贝叶斯分类器(Naive Bayes，NB)、非参数贝叶斯分类器(Nonparametric Naive Bayes，NNB)、逻辑回归算法(Logistic Regression，Logistic)、处罚逻辑算法(Penalized Logistic，Penlog)进行改造，可同时得到一系列对应NP分类器NP-RF、NP-ADA、NP-SVM、NP-LDA、NP-NB、NP-NNB、NP-Logistic、NP-Penlog。

6.根据权利要求5所述的一种基于伞式算法的电力系统动态安全误分类约束方法，其特征在于：在步骤3中，基于NP准则的伞式算法在改造传统分类器约束一类分类错误的同时，还具备根据电力系统实际需求调节NP分类器参数，设置一类分类错误阈值上限α、违规率δ及训练集循环分裂训练次数M，进一步控制DSA，确保一类分类错误约束的有效性。

7.根据权利要求6所述的一种基于伞式算法的电力系统动态安全误分类约束方法，其特征在于：在步骤3中，将关键特征集及相应动态安全分类标签作为输入送到NP分类器训练步骤如下：(1)根据设定的M，对训练集中的0类样本S0(不稳定判定为稳定的误分类样本)进行二等份随机分裂得到样本 和样本 (i≤M)；结合1类样本S1(稳定判定为不稳定的误分类样本)用于基本分类器；

(2) 用于分类器计算违章率上限υk，计算每个样本等级阈值k*对应的分数阈值而 结合S1训练各分类器得分函数fi；

k*＝min{k∈(1，...，n)：υ(k)≤δ}    (4)

(3)将fi应用于 得到一组分数阈值候选项τi，且将τi中元素按递增顺序排序得到sort(τi)，并找到等级阈值k*对应的分数阈值τi＝{ti，1，...，ti，n}＝{fi(x1)，...，fi(xn)}    (5)

sort(τi)＝{ti，(1)，...，ti，(n)}          (6)

(4)基于得分函数和阈值如公式(8)所示构造NP分类器：

(5)重复步骤(1)至(4)，将训练集进行循环分裂训练M次，构造M多个NP分类器，将一类分类错误结果按照公式(9)加权投票的集成方法作为最终结果输出；

8.根据权利要求7所述的一种基于伞式算法的电力系统动态安全误分类约束方法，其特征在于：在步骤4中，将电力系统运行影响因素引起的运行数据送入到离线训练阶段训练好的NP分类器中，按照NP分类器训练过程进行模型更新。

9.根据权利要求8所述的一种基于伞式算法的电力系统动态安全误分类约束方法，其特征在于：在步骤4中，采用经典接受者操作特性(Price Rate of Change，ROC)曲线改造的ROC带及带下曲线面积(Area Under Curve，AUC)值来评估分类器性能，选择性能优良的NP分类器构造DSA评估模型。

10.根据权利要求1或2或3或4或6或7或9所述的一种基于伞式算法的电力系统动态安全误分类约束方法，其特征在于：在步骤5中，将PMUs实时收集的系统运行数据特征送入到已训练的优良NP分类器中进行在线DSA，计算总体分类准确率、一类分类错误率；

式中：F11，F10，F00，F01分别表示将稳定样本判定为稳定个数，稳定样本判定为不稳定个数，不稳定样本判定为不稳定个数及不稳定样本判定为稳定个数。