1.基于伞式算法的电力系统电压稳定评估误分类约束方法，其特征在于，包括以下步骤：步骤1：构建初始数据集，并基于电力系统电压稳定评估规则，构建电压稳定安全分类标签；

步骤2：利用线性及非线性关系探索工具用于特征选择，对初始样本集的运行变量与电压稳定安全分类标签之间的关联程度进行探索，选择关键运行变量构建高效样本集；

步骤3：基于伞式算法同时部署多种类型奈曼皮尔逊分类器构建电压稳定评估模型，将高效样本集及其对应的电压稳定安全分类标签作为模型输入，对电压稳定评估模型进行离线训练；

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、相量测量单元数据丢失等因素对系统影响，将新的运行工况条件下产生的新样本集送入电压稳定评估模型中进行模型更新；

步骤5：基于广域监测系统的相量测量单元实时收集的电力系统运行数据，选择相应的特征，利用已训练好的电压稳定评估模型完成在线电压稳定评估。

2.根据权利要求1所述的基于伞式算法的电力系统电压稳定评估误分类约束方法，其特征在于，在步骤1中，通过电力系统PMUs对系统运行数据的实时更新收集，获取历史系统工作点的运行数据，构建初始数据集，利用连续潮流CPF法模拟各种运行工况的电压崩溃情况，使工作点从基本情况向崩溃点逐渐移动，当电力系统不能满足不断增加的负荷需求时，潮流方程的雅可比矩阵奇异，潮流不能收敛，出现电压崩溃点，利用工作点与电压崩溃点之间的负载有功功率差值关系，量化当前运行点与崩溃点电压之间的关系。

3.根据权利要求2所述的基于伞式算法的电力系统电压稳定评估误分类约束方法，其特征在于，构建电压稳定指标VSI如公式(1)所示：式中：P0初始负载有功功率，Pmax为对应的最大可承受有功功率；

VSI值代表电力系统安全水平，在0到100％之间变化，为了建立安全分类规则可对VSI可设置一个适当可接受的阈值η来明显区分电压安全状态，则构建电压稳定标签如公式(2)所示：

4.根据权利要求1所述的基于伞式算法的电力系统电压稳定评估误分类约束方法，其特征在于：在步骤2中，在特征选择过程考虑系统运行变量关系的复杂多变，结合具有线性关系探索功能的PCC和具有非线性关系探索功能的MIC作为特征选择方法，有效地探索运行变量(如发电机/支路的有功/无功功率、电压幅值等)与电压稳定指标之间的线性关系和非线性关系，确保筛选出有效性的关键运行变量，构建高效样本集，解决数据高维问题。

5.根据权利要求4所述的基于伞式算法的电力系统电压稳定评估误分类约束方法，其特征在于：将电力系统第i个运行点的各个特征及其对应VSI构建特征描述集合F的一个行向量Fi＝{x1,x2,...,xm,yi}(1≤i≤m)，则n种运行工况运行数据的特征描述集合F＝{X1,X2,...,Xm,Y}，其中Xk为各种运行工况下的同一个特征量构成的列向量(1≤k≤n)，Y＝{y1,y2,...,yn}代表个运行工况的VSI集合，对各种运行工况的运行数据变量集合X和对应的VSI集合Y分别采用PCC及MIC检测各运行变量与VSI之间的相关性，分别筛选出与VSI高度相关的高排名的线性关系运行变量及非线性运行变量；

对于线性关系探索PCC：设ρ(X,Y)为特征量X，Y的皮尔逊相关系数，计算公式如公式(3)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；

PCC的取值范围为-1至1，且具有如下几个属性：

1)ρ(x,y)＞0说明X和Y之间存在正相关；

2)ρ(x,y)＝0说明X和Y之间无线性相关性；

3)ρ(x,y)＜0表示X与Y之间存在负相关；

4)ρ(x,y)绝对值越大，表示X与Y之间存在较强的线性相关关系；

对于非线性关系探索MIC：给定一个有限有序对向量数据集D＝{(xi,yi),i＝1,2,...,n}，若X和Y轴分别被划分为x和y个格子，获得x*y网格G，D中的变量值落入G的网格中得到相应地概率分布D|G，其中x和y是正整数，在固定网格划分数的前提下，通过改变网格划分位置，会得到不同的互信息值，其中最大互信息值如公式(4)下所示：I*(D,x,y)＝maxI(D|G)      (4)式中：I(D|G)代表D|G内数据点之间的互信息；

为了方便在不同的维数之间进行比较，对公式(4)进行归一化如公式(5)所示，使其取值在区间[0，1]：已知样本量为n的有序对数据集D，则定义该集合中两变量X、Y的MIC如公式(6)所示：式中：xy≤B(n){B(n)＝na，通常设置为n0.6}；

MIC的取值范围为0至1，且具有如下几个属性：

1)对于具有趋于无噪声的函数关系的两变量，其MIC值趋于1；

2)对于更广泛类别的无噪声关系，其MIC值趋于1；

3)对于在统计学上相互独立的两变量，其MIC值趋于0。

6.根据权利要求1所述的基于伞式算法的电力系统电压稳定评估误分类约束方法，其特征在于：将高效样本集采用十倍交叉验证法分为训练集和测试集，将其送入到伞式NP分类器中进行模型离线训练，基于伞式算法对多种传统分离器进行改造，得到一系列对应NP分类器的伞式NP分类器，在模型训练阶段，在保证总体分类精度的前提下，可以根据一类分类错误和二类分类错误性质的不同基于伞式NP分类器对一类误分类错误设置一类分类错误阈值上限α进行约束，并且可以通过设置训练集循环分裂训练次数M控制每种NP分类器的训练模式，获得一系列子NP分类器，并对各种类型的NP分类器的子NP分类器采用加权投票方式获得各NP分类器的稳定不稳定分类结果，从而优化VSA模型的分类性能。

7.根据权利要求6所述的基于伞式算法的电力系统电压稳定评估误分类约束方法，其特征在于，所述伞式算法包括以下步骤：

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1

份随机分裂得到样本 和样本 结合1类样本S(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υ(k)如公式(7)所示，计算每个样本等级阈值k*如公式(8)；将 结合S1训练各分类器(如RF)得分函数fi：式中：α为一类分类错误阈值，

k*＝min{k∈(1,...,n):υ(k)≤δ      (8)

式中：δ为一类分类错误阈值的违规率，

3)将fi应用于 得到一组分数阈值候选项τi如公式(9)，且将τi中元素按公式(10)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 如公式(11)：τi＝{ti,1,...,ti,n}＝{fi(x1),...,fi(xn)}     (9)sort(τi)＝{ti,(1),...,ti,(n)}    (10)

4)基于得分函数和阈值如公式(12)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(13)加权投票的集成方法作为最终结果输出：

8.一种用于电压稳定评估中特性选择过程的特征选择方法，其特征在于：结合具有线性关系探索功能的PCC和具有非线性关系探索功能的MIC作为特征选择方法，探索运行变量与电压稳定指标之间的线性关系和非线性关系，确保筛选出有效性的关键运行变量，构建高效样本集；所述运行变量包括发电机的有功和/或无功功率、支路的有功和/或无功功率、电压幅值。

9.根据权利要求8所述的用于电压稳定评估中特性选择过程的特征选择方法，其特征在于：将电力系统第i个运行点的各个特征及其对应VSI构建特征描述集合F的一个行向量Fi＝{x1,x2,...,xm,yi}(1≤i≤m)，则n种运行工况运行数据的特征描述集合F＝{X1,X2,...,Xm,Y}，其中Xk为各种运行工况下的同一个特征量构成的列向量(1≤k≤n)，Y＝{y1,y2,...,yn}代表个运行工况的VSI集合，对各种运行工况的运行数据变量集合X和对应的VSI集合Y分别采用PCC及MIC检测各运行变量与VSI之间的相关性，分别筛选出与VSI高度相关的高排名的线性关系运行变量及非线性运行变量；

对于线性关系探索PCC：设ρ(X,Y)为特征量X，Y的皮尔逊相关系数，计算公式如公式(3)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；

PCC的取值范围为-1至1，且具有如下几个属性：

1)ρ(x,y)＞0说明X和Y之间存在正相关；

2)ρ(x,y)＝0说明X和Y之间无线性相关性；

3)ρ(x,y)＜0表示X与Y之间存在负相关；

4)ρ(x,y)绝对值越大，表示X与Y之间存在较强的线性相关关系，

对于非线性关系探索MIC：给定一个有限有序对向量数据集D＝{(xi,yi),i＝1,2,...,n}，若X和Y轴分别被划分为x和y个格子，获得x*y网格G，D中的变量值落入G的网格中得到相应地概率分布D|G，其中x和y是正整数；在固定网格划分数的前提下，通过改变网格划分位置，会得到不同的互信息值，其中最大互信息值如公式(4)下所示：I*(D,x,y)＝maxI(D|G)    (4)

式中：I(D|G)代表D|G内数据点之间的互信息；

为了方便在不同的维数之间进行比较，对公式(4)进行归一化如公式(5)所示，使其取值在区间[0，1]：已知样本量为n的有序对数据集D，则定义该集合中两变量X、Y的MIC如公式(6)所示：式中：xy≤B(n){B(n)＝na，通常设置为n0.6}；

MIC的取值范围为0至1，且具有如下几个属性：

1)对于具有趋于无噪声的函数关系的两变量，其MIC值趋于1；

2)对于更广泛类别的无噪声关系，其MIC值趋于1；

3)对于在统计学上相互独立的两变量，其MIC值趋于0。

10.一种电压稳定评估的训练集循环分裂训练方法，其特征在于：将高效样本集采用多倍交叉验证法分为训练集和测试集，将其送入到伞式NP分类器中进行模型离线训练，基于伞式算法对多种传统分离器进行改造，得到一系列对应NP分类器的伞式NP分类器，在模型训练阶段，在保证总体分类精度的前提下，可以根据一类分类错误和二类分类错误性质的不同基于伞式NP分类器对一类误分类错误设置一类分类错误阈值上限α进行约束，并且可以通过设置训练集循环分裂训练次数M控制每种NP分类器的训练模式，获得一系列子NP分类器，并对各种类型的NP分类器的子NP分类器采用加权投票方式获得各NP分类器的稳定不稳定分类结果，从而优化VSA模型的分类性能。