1.一种基于改进AdaBoost的电力系统静态电压稳定评估方法，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和预想事故集的模拟仿真求解潮流，构建包含电力系统运行变量和电压稳定安全分类标签的初始数据集；

步骤2：对初始数据集进行预处理和特征选择，从大量运行变量中选出与电压稳定安全分类标签相关度高的运行变量作为关键特征，结合相应的安全分类标签形成高效数据集；

步骤3：基于高效数据集，结合改进AdaBoost算法构建电力系统电压稳定评估(Voltage Stability Assessment，VSA)模型，利用高效数据集对VSA模型进行离线训练和更新；

步骤4：基于同步相量测量单元(Phasor Measurement Unit，PMU)收集的实时测量数据，利用VSA模型，对电力系统进行在线VSA。

2.根据权利要求1所述的一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，在步骤1中，利用连续潮流法，求解电力系统P-V曲线，并根据P-V曲线构建电压稳定指标(Voltage Stability Index，VSI)以及电压稳定安全分类标签，如公式(1)、(2)所示：式中：Pmax为最大功率传输点的负荷功率；Pi为当前运行点的负荷功率；VSIc为自定义的电压稳定阈值；标签1表示稳定状态；标签0表示不稳定状态。

3.根据权利要求1所述的一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，在步骤2中，对初始数据集中的大量电力系统运行变量(如各节点的电压幅值及相角、发电机的有功出力和无功出力等)进行预处理，使电力系统运行变量的取值范围为(0，1)，以减轻计算负担，预处理过程如公式(3)所示：式中：xi为电力系统某运行变量的原始值；为该运行变量经过预处理后的值；xmin为样本中该运行变量的最小值；xmax为样本中该运行变量的最大值。

4.根据权利要求3所述的一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，在步骤2中，基于预处理后的数据集，利用距离相关系数(Distance Correlation Coefficient，DCC)对电力系统中各种运行变量与电压稳定安全分类标签的相关性进行检测，并对求得的DCC值按降序进行排序，选取前z个运行变量作为关键特征，与相应安全分类标签一起构成高效数据集。

5.根据权利要求4所述的一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，在步骤2中，DCC如公式(4)所示：式中：x和y分别表示关键特征和对应的安全分类标签；

和 分别如公式(5)-(7)所示：

同理计算 和

6.根据权利要求1所述的一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，在步骤3中，基于经过特征选择的高效数据集，利用AdaBoost构建电力系统VSA模型，将关键特征作为输入，电压稳定安全分类标签作为输出，获取关键特征和安全分类标签之间的映射关系。

7.根据权利要求1或6所述的一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，在步骤3中，AdaBoost会判断每次训练的样本是否分类正确，对于正确分类的样本，降低该样本的权重，对于错误分类的样本，增加该样本的权重，再基于上一次得到的分类正确率，来确定下一次迭代训练时数据集中每个样本的权重，通过每一次迭代训练样本的动态权重，让分类的焦点集中到难分类的样本上，最终得到更高的分类准确率。

8.根据权利要求7所述的一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，在步骤3中，考虑到电力系统运行条件的变化，经过离线训练后的模型可能无法对新的运行状况提供准确可靠的评估结果，此时，需要对模型进行更新，更新的步骤如下所示：(1)若电力系统的运行条件变化产生的新工况已包含在离线数据集中，则选出对应的VSA模型来对新的工况进行评估；

(2)若电力系统的运行条件或拓扑结构变化不包含在离线数据集中，则需要利用新的数据集训练新的VSA模型。

9.一种利用改进AdaBoost算法构建电力系统VSA模型的方法，其特征在于，具体包括以下步骤：(1)初始化样本的训练权重，并进行迭代训练，样本中每一个特征对应生成一个弱分类器hi(x)，弱分类器hi(x)如公式(8)所示：式中：xi为样本中第i个特征值；pi＝±1，用于改变不等式的方向；θi表示第i个弱分类器的阈值；

(2)每次训练时在确定的弱分类器中选出一个具有最小分类误差的弱分类器ht，迭代训练M次，共得到M个弱分类器；

(3)把M个弱分类器进行加权整合形成强分类器，强分类器如公式(9)所示：

式中：M为弱分类器的数量；at为弱分类器ht的权重系数。