1.一种基于混合集成模型的电力系统动态安全评估方法，其特征在于，包括以下步骤：步骤1：基于电力系统历史运行数据和多种故障仿真产生的仿真数据，构建相应的动态安全指标，建立包含若干电力系统运行变量和相应安全指标的初始样本集；

步骤2：基于所获得的初始样本集，通过特征选择方法筛选出关键特征，构建高效样本集；

步骤3：基于多个极限学习机和随机向量泛函链接网络构成的混合集成模型，利用高效样本集对混合集成模型进行离线训练及更新，得到能准确评估电力系统运行状况的动态安全评估模型；

步骤4：基于同步向量测量装置的实时监测数据，选定关键特征变量数据输入动态安全评估模型，实现电力系统的在线动态安全评估；

在步骤1中，基于电力系统历史运行数据和一系列预想事故集仿真的仿真数据，构建包含大量系统运行变量的样本集，并构建相应的暂态稳定裕度指标，形成初始样本集；

暂态稳定裕度指标的构建如公式(1)所示：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；TSMi为该位置的暂态稳定裕度；

基于构建的暂态稳定裕度指标，建立相应的安全分类规则，设置阈值α来区分样本的状态，安全分类规则的构建如公式(2)所示：在步骤2中，首先对初始样本集进行预处理，采用最大最小法对样本集数据进行归一化处理，使原始数据映射到[0,1]之间，以降低动态安全评估模型训练过程的负担，该方法的函数形式如公式(3)所示：

式中：X'i为某一运行变量经过归一化处理后的值；Xi为该运行变量的原始值；Xi_min为初始样本中该运行变量的最小值；Xi_max为初始样本中该运行变量的最大值；

在数据进行归一化处理之后，进行特征选择以降低数据的维度；

对归一化处理后的数据采用套袋最近邻预测独立性检验算法进行特征选择，同时，采用最大信息系数方法进行特征选择，基于最大信息系数值的大小将特征进行排序，选择最大信息系数值靠前的5％的特征作为关键特征集，最大信息系数的计算公式如公式(5)所示：

式中：a，b是在X轴和Y轴方向上的划分格子的个数，本质上就是对样本变量构成的散点

0.6

图进行a列b行网格化；I(x；y)是变量x，y之间的互信息；B(n)是变量，设置为n ，最大信息系数的取值范围为0到1，并且具有以下属性：(1)对于趋于无噪声的具有线性关系的两变量，其最大信息系数值趋于1；

(2)对于无噪声的具有线性关系的两变量，其最大信息系数值趋于1；

(3)对于无线性关系的两变量，其最大信息系数值趋于0，结合套袋最近邻预测独立性检验和最大信息系数的特征选择结果，选择具有高度线性相关性的特征变量构建高效样本集。

2.根据权利要求1所述的基于混合集成模型的电力系统动态安全评估方法，其特征在于，在步骤2中，基于归一化处理的数据，首先采用套袋最近邻预测独立性检验算法进行特征选择，它包括以下步骤：

(1)对于两个长度为M的向量X和Y，首先基于X构造M行，K列的参数矩阵，作为套袋邻域结构，定义Xneigh(i,j)为X向量中元素Xi的第j个套袋的最近邻元素，且neigh(i,j)不等于i，其中neigh(i,j)通过以下方法确定：从向量X中随机抽取m个元素，将距离元素Xi最近的元素命名为Xnearest，且同时neigh(i,j)＝nearest，当邻域结构被构造完成，则对于向量Y中每个元素Yi可以得到套袋最近邻预测器Hi，如公式(4)所示，Hi＝sum(YNeigh(i,j),j)/bags  (4)式中：bags为矩阵构建的最近邻域结构个数；

(2)计算平方误差SE＝||H‑Y||2，采用SE检验用X预测Y的准确性，以SE为检验统计量进行排列检验，并对Y中的元素进行多次随机重复测试，计算SErandom≤SE的概率记为P值；

(3)筛选出P值排名靠前的5％的特征作为关键特征量，构成新的关键特征集。

3.根据权利要求1所述的基于混合集成模型的电力系统动态安全评估方法，其特征在于：在步骤3中，基于构建的高效样本集，采用五倍交叉验证法分为训练集和测试集，并将其输入基于多个极限学习机和随机向量泛函链接网络的混合集成动态安全评估模型中进行训练，得到可信的电力系统动态安全评估模型；在步骤4中，基于PMUs的实时监测数据，选择关键变量数据作为动态安全评估模型的输入，通过对实时数据的安全评估来判断系统的运行状况，以实现电力系统的在线动态安全评估。