1.基于改进SK‑BiLSTM的自适应多尺度暂态电压稳定评估方法，其特征在于包括以下步骤：步骤1：利用图注意力网络将时序电气量测数据特征与图结构拓扑数据特征结合，形成时空融合数据特征；

步骤2：搭建基于改进SK‑BiLSTM的自适应多尺度评估模型，其中在选择性核卷积网络SKNet中引入渐进式分组卷积操作机制，并结合双向长短期记忆网络Bi‑LSTM，同时将Focal Loss和Dice Loss加权融合得到加权融合损失函数；

使用渐进式分组卷积操作机制实现特征提取，渐进式分组卷积操作如公式(7)所示：(7)；

上式中，Gp表示当前分组卷积分组数；Gbase表示基础分组卷积分组数；epoch表示当前训练轮次；max_epoch表示最大训练轮次；n为分组调整频率；

步骤3：根据步骤2构建的基于改进SK‑BiLSTM的自适应多尺度评估模型，对电力系统的暂态电压稳定状态进行评估；并通过定义的完全覆盖率指标，验证模型在识别电压失稳节点或区域方面的性能。

2.根据权利要求1所述基于改进SK‑BiLSTM的自适应多尺度暂态电压稳定评估方法，其特征在于：所述步骤1中，在时序电气量测数据特征中，与发电机相关的特征包括Gω、Gδ、GΔf、Gpm、GP、GQ，分别表示不同发电机的角速度、功角、频率偏差、机械功率、有功功率、无功功率；

与母线相关的特征包括Bu、Bθ，分别表示所有母线电压幅值、相角；与线路相关特征包括CP、CQ，分别表示所有线路的有功功率、无功功率；

在图结构拓扑数据特征中，选取电气系统图结构拓扑中节点度与节点间电气距离。

3.根据权利要求2所述基于改进SK‑BiLSTM的自适应多尺度暂态电压稳定评估方法，其特征在于：所述步骤1中，使用判据对暂态电压稳定性进行判别：将暂态电压稳定评估定义为主分类任务，主分类任务中，不考虑分区，认为监测母线中有1条满足电压失稳判据，则判断系统为失稳，对应的类别标签为0；反之则判断为稳定，对应的类别标签为1；

将电压失稳节点或区域划分定义为次分类任务，在次分类任务中，考虑分区，判断每个节点的暂态电压稳定状态；满足判据的节点标签记为1，不满足的节点标签记为0，若系统中节点数为m，将得到一个m维的标签。

4.根据权利要求3所述基于改进SK‑BiLSTM的自适应多尺度暂态电压稳定评估方法，其特征在于：所述步骤1中，利用图注意力网络GAT来融合电力系统的图结构拓扑数据特征和时序电气量测数据特征；具体如下：将节点i的初始特征向量hi表示为时序电气量测数据与图拓扑结构数据的拼接；假设时序电气量测数据为xi，图拓扑结构数据为yi，那么节点i的初始特征向量hi如式(1)所示；

(1)；

上式中，xi表示时序电气量测数据；yi表示图拓扑结构数据；||表示向量的连接操作；hi表示节点i的初始特征向量；

接着，对每个节点的初始特征向量hi进行线性变换，得到新的特征如式(2)所示；

(2) ；

上式中，W表示一个可训练的权重矩阵，用于将不同类型的数据映射到统一特征空间；hi表示节点i的初始特征向量； 表示节点i的初始特征向量经过线性变换得到的向量；

之后，计算节点i与其邻居节点j之间的注意力系数，如式(3)所示；

(3) ；

上式中，eij表示节点i与其邻居节点j之间的注意力系数；a表示可训练的权重矩阵向量；LeakyReLU表示一种激活函数，用于引入非线性； 表示节点i与节点j的特性向量拼接；

对所有邻居节点的注意力系数进行归一化处理，使用SoftMax函数，如式(4)所示；

(4) ；

上式中， 表示归一化后的注意力系数；eij表示节点i与其邻居节点j之间的注意力系数；exp(eij)表示注意力系数的指数值；Ni表示节点i的邻居节点集合；

最后，用归一化后的注意力系数对邻居节点的特征进行加权求和，得到节点i的新的特征，如式(5)所示；

(5) ；

上式中， 表示节点i的新特征向量； 表示非线性激活函数； 表示归一化后的注意力系数； 表示邻居节点j的特征向量。

5.根据权利要求1所述基于改进SK‑BiLSTM的自适应多尺度暂态电压稳定评估方法，其特征在于：所述步骤2中，构建基于改进SK‑BiLSTM的自适应多尺度评估模型，该模型包含：图注意力网络GAT、引入选择性核卷积机制的选择性核卷积网络SKNet、双向长短期记忆网络Bi‑LSTM和分类器；

图注意力网络GAT：将原始数据中的各种电气量测数据特征和图结构拓扑数据特征的信息组合起来；

引入选择性核卷积机制的选择性核卷积网络SKNet，包含分割、融合和选择三个阶段：首先，在分割阶段，将图注意力网络GAT传入的数据集特征 重塑为输入特征图X，之后将输入特征图X同时通过多个不同尺度的卷积核进行并行卷积操作；捕捉不同尺度的特征信息，从而生成多个特征图；

接着，在融合阶段，将不同尺寸卷积操作得到的特征图进行元素级求和，得到融合特征图F；

之后，将融合特征图F通过全局平均池化GAP得到全局特征向量g，然后将得到全局特征向量g通过两层全连接网络，计算选择性权重；然后，通过另一个全连接层将特征维度恢复，并生成选择性权重向量s；

最后，在选择阶段，对选择性权重进行SoftMax函数归一化处理；

将第二次选择性核卷积操作SKConv2操作加权求和得到的融合特征图Y2重塑后传入双向长短期记忆网络Bi‑LSTM，利用双向长短期记忆网络Bi‑LSTM前向和后向两个LSTM层，同时捕捉时间序列数据中的前后依赖关系，从而全面表征输入数据的时序特征；

分类器采用Sigmoid分类器，该分类器能够将模型的输出转换为0到1之间的概率值，从而表示系统稳定与否的概率。

6.根据权利要求5所述基于改进SK‑BiLSTM的自适应多尺度暂态电压稳定评估方法，其特征在于：将引入渐进式分组卷积机制的选择性核卷积网络SKNet所最终融合后得到的输出特征图Y，再次传入选择性核卷积网络，将第一次选择性核卷积操作称之为SKConv1操作，将第二次选择性核卷积操作称之为SKConv2操作；同时为了区分两次选择性核卷积操作最终融合后得到的输出特征图，将SKConv1操作中，元素级求和得到的融合特征图记为F1，加权求和得到的融合特征图记为Y1；将SKConv2操作中，元素级求和得到的融合特征图记为F2，加权求和得到的融合特征图记为Y2。

7.根据权利要求6所述基于改进SK‑BiLSTM的自适应多尺度暂态电压稳定评估方法，其特征在于：步骤2包括以下步骤：首先，使用引入渐进式分组卷积操作的选择性核卷积网络SKNet对时空融合数据特征进行初步处理；

然后，将提取的数据特征输入双向长短期记忆网络Bi‑LSTM，利用其双向时序数据处理能力，提升特征提取的效率和准确性；

最后，将双向长短期记忆网络Bi‑LSTM传出的数据特征输入主分类任务和次分类任务的分类器，得到评估结果。

8.根据权利要求4所述基于改进SK‑BiLSTM的自适应多尺度暂态电压稳定评估方法，其特征在于：所述步骤2中，Focal Loss和Dice Loss的加权融合损失函数计算如下公式(14)所示；

(14) ；

上式中，p表示模型对稳定/失稳类别的预测概率；𝜆 表示权重参数；FL(p)表示Focal Loss；DL(p)表示Dice Loss；

Focal Loss 用于处理类别不平衡问题，其数学表达式如式(15)所示；

(15) ；

上式中， 表示平衡因子； 表示聚焦因子；FL(p)表示Focal Loss；

Dice Loss 用于优化分类决策的精度，其数学表达式如式(16)所示；

(16) ；

上式中，pi表示预测值；gi表示真实值；表示为防止分母为零的小常数。

9.根据权利要求1所述基于改进SK‑BiLSTM的自适应多尺度暂态电压稳定评估方法，其特征在于：所述步骤3中，通过定义完全覆盖率指标FCR对模型在电压失稳节点或区域划分任务中的表现进行衡量；完全覆盖率指标的数学表达式如下公式(20)所示；

(20) ；

上式中，N1是主分类任务评估的失稳样本总数，yij是第i个样本的第j个真实标签，ŷ ij是第i个样本的第j个预测标签， 是指示函数，当样本i的所有失稳节点均被正确预测时为

1，否则为0。