1.一种针对电力系统静态电压稳定评估的数据驱动方法，其特征在于，包括以下步骤：步骤一)：基于电力系统历史运行数据，利用连续潮流法确定电压稳定极限，并构建电压稳定裕度指标，建立初始的数据集；

步骤二)：基于相关性探索工具，构建特征选择框架，并利用此框架对初始样本集进行关键特征选择，建立由关键特征及相应的电压稳定裕度构成的样本集；

步骤三)：基于特征选择后的样本集，对随机比特森林进行训练及更新，形成基于随机比特森林的电压稳定评估模型；

步骤四)：基于同步相量测量单元与广域测量系统实时收集的电力系统运行数据，选择相应的特征，利用已训练的电压稳定评估模型完成实时电压稳定评估。

2.根据权利要求1所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于：在步骤一)中，从历史电力系统工作点的运行数据中，针对每个工作点，利用连续潮流法，确定电压稳定极限即电压崩溃点，利用工作点与电压崩溃点之间的负载有功功率差值，构建连续的VSM指标，其中，每个工作点的稳态运行数据为特征，对应的都具有稳定裕度指标，形成特征与指标的对应关系。

3.根据权利要求2所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于：所述稳态运行数据包括同步相量测量单元所收集的有功/无功潮流、节点电压幅值及相角等特征，相应的VSM构造如公式(1)所示，式中： 代表电压达到崩溃点时的负载有功功率，P0代表某一个初始运行点的有功功率。

4.根据权利要求3所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于：将某运行点的各个特征与对应VSM构建一个行向量{x1,...,xP,y}，其中xi(i＝1,…,P)代表某一个特征量，y代表对应的VSM，当大量的样本被生成，则可以获得初始的数据集{X1,...,XP,Y}，其中Xi(i＝1,…,P)代表大量样本的同一个特征量构成的列向量，Y代表各样本对应的VSM列向量。

5.根据权利要求1所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于，在步骤二)中，在基于相关性探索工具，构建特征选择框架时，采用以下步骤：(1)初始化S为空集，设定一个大于0的数μ；

(2)从初始数据集中选出令I(VSM,f)为最大值时的特征f，将其挑选出并放入集合S中，作为S中的第一个特征，I(VSM,f)为两变量之间的互信息(Mutual Information，MI)；

(3)激活评价函数J，遍历S中余下的所有特征，如果J(S,fk)max>μ，则将特征fk由初始数据集中选入S中；

(4)对于特征数不断变化的初始数据集与集合S，重复步骤(2)和(3)，直至两个集合中的特征数量不再发生变化。

6.根据权利要求5所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于，所述评价函数J可通过MI构建而成，构建评价函数J如公式(2)所示：J(S,f)＝I(VSM,f)-β∑s∈SI(s,f)     (2)

式中：f为初始数据集中的特征，S为由初始数据集中挑选出的特征构成的新的特征集，s为由初始数据集中挑选出的特征，I为两变量之间的MI，β为用于调整筛选特征数量的自定义取值，取值范围为[0.5，1]。

7.根据权利要求5或6所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于，构建评价函数J，并建立特征预处理进程，以剔除众多特征中的冗余特征，在剔除冗余特征后的数据集中，利用套袋最近邻预测独立性检验(Bagging Nearest-Neighbor Prediction independence Test，BNNPT)筛选出与VSM高度非线性相关的特征，利用皮尔逊相关系数(Pearson Correlation Coefficient，PCC)筛选出与VSM高度线性相关的特征。

8.根据权利要求7所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于，在采用BNNPT筛选出与VSM高度非线性相关的特征时，包括以下步骤：对于两长度为N的向量X，Y，首先基于X构造一个套袋邻域结构，此邻域结构是一个N行，K(套袋数)列的索引矩阵，将XNei(i,j)定义为元素Xi的第j个套袋最近邻元素(Nei(i,j)≠i)，Nei(i,j)的值按照如下方式采样：由Xi的邻域结构随机抽取m个元素，选取距离Xi最近的一个元素Xnearest，令Nei(i,j)＝nearst，当构造完邻域结构，则对于向量Y的每个元素Yi，可以得到一个套袋最近邻估计值Hi，即：Hi＝sum(YNei(i,j),j)/bags    (3)

令SE＝||H-Y||2，以此来检验X预测Y的准确程度，为检验统计学上的显著性水平，以SE为检验统计量进行排列检验，将Y中元素排列顺序随机打乱多次，计算SErandom≤SE的概率，作为假设检验的P值，定义SEBNNPT(X,Y,b,m)为由X预测Y所构建的套袋最近邻估计值残差的平方根，其中b为套袋数，零假设如公式(4)：SEBNNPT(X,Y,b,m)＝SEBNNPT(X,Y',b,m)

Y'～Random shuffle(Y)    (4)

ρ(x,y)为特征量X，Y的皮尔逊相关系数，计算公式如(5)所示，

式中：n为单个特征量的维度； 及 分别为X和Y所含元素的平均值。

9.一种特征选择框架，其特征在于，它可对样本集进行关键特征选择，它包括特征预处理进程，在建立特征预处理进程时，采用以下步骤：(1)初始化S为空集，设定一个大于0的数μ；

(2)从初始数据集中选出令I(VSM,f)为最大值时的特征f，将其挑选出并放入集合S中，作为S中的第一个特征，I(VSM,f)为两变量之间的互信息(Mutual Information，MI)；

(3)激活评价函数J，遍历S中余下的所有特征，如果J(S,fk)max>μ，则将特征fk由初始数据集中选入S中；

(4)对于特征数不断变化的初始数据集与集合S，重复步骤(2)和(3)，直至两个集合中的特征数量不再发生变化。

10.根据权利要求9所述的特征选择框架，其特征在于，所述评价函数J可通过MI构建而成，构建评价函数J如公式(6)所示：J(S,f)＝I(VSM,f)-β∑s∈SI(s,f)     (6)

式中：f为初始数据集中的特征，S为由初始数据集中挑选出的特征构成的新的特征集，s为由初始数据集中挑选出的特征，I为两变量之间的MI，β为用于调整筛选特征数量的自定义取值，取值范围为[0.5，1]。