1.一种针对电力系统动态安全评估的数据驱动方法，其特征在于，包括以下步骤：步骤一)：根据电力系统的历史运行数据，以及对电力系统的一系列故障的模拟仿真，得到电力系统运行数据，并且构建相应的动态安全指标，构建包含运行数据集及动态安全指标的初始样本集；

步骤二)：针对初始样本集，使用局部线性嵌入算法，对初始样本集进行处理，以达到数据压缩和降维的目的，并且生成高效样本集；

步骤三)：使用决策树‑支持向量机算法，输入高效样本集进行离线训练，得到动态安全评估模型；

步骤四)：综合考虑多种可能影响电力系统稳定状态的因素，以获取近实时的更新样本集，完成对动态安全评估模型的更新；

步骤五)：获取电力系统实时运行数据，利用持续更新的动态安全评估模型完成对电力系统实时动态安全状态的评估，得到实时动态安全评估结果；

在步骤三)中，所述决策树‑支持向量机算法包括以下步骤：

(1)用步骤二)生成的高效样本集训练支持向量机分类器获得分类函数f(x)；

(2)根据分类函数f(x)，将高效样本集中f(x)＞0的区域分为正类，将f(x)＜0的区域分为负类；

(3)选择一个取值在0到0.5之间的阈值y；

(4)定义一个距离参数S(x),用S(x)给出样本点到决策边界的远近程度，并把S(x)≤y的训练样本归到m类；

(5)用划分了正类、负类和m类的训练样本训练决策树；

(6)用支持向量机和两个叶子组成的子树代替决策树中的m类节点，算法结束；

经过以上步骤可以得到电力系统动态安全评估模型。

2.根据权利要求1所述的针对电力系统动态安全评估的数据驱动方法，其特征在于：在步骤一)中，基于电力系统历史运行数据和预想事故集，进行详细的潮流分析和时域仿真，以此构建初始样本集，为减轻机器计算负担，对初始样本集进行标准归一化，如公式(1)所示：式中： 为某运行变量经过标准归一化后的值；xi为该运行变量的原始值；xi_min为所获取样本中该变量的最小值；xi_max为所获取样本中该变量的最大值；通过此方式使所有变量的值都在0至1内变化。

3.根据权利要求1所述的针对电力系统动态安全评估的数据驱动方法，其特征在于：在步骤一)中，根据系统故障潮流仿真所计算的各故障点的极限切除时间(Critical Clearing Time，CCT)，和各故障点的实际切除时间(Actual Clearing Time，ACT)，来构建动态安全指标，即暂态安全裕度(Transient Stability Margin，TSM)，如公式(2)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为该位置的暂态安全裕度，当ACT小于等于CCT时，系统安全；ACT大于CCT时，系统不安全，构建相应的分类标签如公式(3)所示；

4.根据权利要求1所述的针对电力系统动态安全评估的数据驱动方法，其特征在于：在步骤二)中，在使用局部线性嵌入算法时，采集的高维数据样本点利用局部邻域的点来线性表示，并保持局部邻域权值不变，在低维空间中重新构造原来的数据点，使得重构误差达到最小。

5.根据权利要求4所述的针对电力系统动态安全评估的数据驱动方法，其特征在于：所述局部线性嵌入算法包括如以下步骤：(1)将初始样本集构造为如公式(4)所示：

D

X＝(X1,X2,...,XN),Xi∈R (4)

式中：将初始样本集X构造为N×D维向量；根据欧几里得距离公式，找到每个样本点Xi邻域的k(k

(2)计算初始样本点邻域的重构权重，构建一个局部重建权值矩阵W,并且使得Xi的局部重构误差平方最小化；

(3)通过得到的权值矩阵W，从而找到初始样本集的低维嵌入矩阵Z，并且将重构误差和函数最小化；

基于低维嵌入矩阵Z，结合每个特征相对应的TSM，生成一个高效的样本集。