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；

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，对应的特征都具有电压稳定裕度指标，形成特征与指标的对应关系；

其中，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，VSM代表电压稳定裕度；

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，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构成的列向量，Y代表各样本对应的VSM列向量；

在步骤三)中，所述随机比特森林在建立、形成时采用以下步骤：(1)输入特征量通过减去其平均值再除以其标准差以实现标准化；

(2)通过对一系列具有随机权重的三层稀疏神经网络进行梯度提升，将特征转化为随机特征；将具有随机权重的三层稀疏神经网络称作随机比特，神经网络的构建过程使用了两个参数：twist1和twist2，其中，twist1为连接到每个隐藏神经元的特征数，twist2为隐藏神经元数量；随机分配与隐藏神经元相连的特征并从标准正态分布中提取层间权重，隐藏神经元和输出神经元都为阈值单元，每个神经元的阈值的确定都是通过计算第i个样本Zi输入特征的线性求和，并随机选取一个Zi作为阈值，为了生成更多的随机比特，采用梯度提升算法，该算法使用B个独立的提升链，每个提升链都有N步，每个提升链都经过标准的梯度提升过程，每一步生成C个随机比特特征，C>100，由每个独立的提升链中的随机比特，形成一个大的特征集合；

(3)最终生成的随机比特与改进的随机森林结合，形成RBF，标准化后的特征输入到改进的随机森林中，进行预测；

通过将由关键特征构成的特征集作为RBF的训练输入，相应的VSM作为RBF的对应训练输出，完成训练过程，形成特征与指标间的映射关系，构建基于RBF的电压稳定评估模型，其中，RBF指的是随机比特森林。

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。

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]。

4.根据权利要求2或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，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。