李欣，胡晓乐，郭攀锋

(三峡大学 电气与新能源学院， 湖北 宜昌 443002)

0 引言

近年，随着国民经济的飞速发展，充电桩，大容量储能等各种新型负荷不断地连入电力系统，系统的运行状态不断靠近稳定运行极限[1]。当出现大的干扰或故障时，如果不尽快采取有效的措施，系统将逐渐失去稳定，严重时可能会导致大规模停电，给社会带来巨大的经济损失。

当前，国内外学者致力于电力系统暂态稳定的研究，并提出了很多有效的方法，例如时域仿真[2]，暂态能量函数方法[3]和扩展等面积方法[4]。虽然构建详细的系统模型可以提供准确的预测，但高额的计算量限制了算法实时应用。此外，基于系统模型的方法为了实现快速暂稳预测，难免要对系统进行一定程度的简化和假设，这可能会降低预测精度。因此，开发和运用新方法来实时识别日益复杂的电力系统的动态行为，对电网安稳运行有着重要的意义。随着相量测量单元(phasor measurement unit, PMU)在电力系统中的广泛使用，大量运行数据被收集，这些数据在很多方面能够反映电力系统的运行状态。如何从这些数据中挖掘有价值的信息来分析电力系统动态行为成为目前研究的热点。目前许多机器学习技术已被广泛用来挖掘数据中的信息，并预测电力系统的状态。例如，文献[5]将人工神经网络(artificial neural network, ANN)用于暂态稳定的评估，并取得较好的效果。文献[6]提出一种线性决策树(decision tree, DT)以提升基础DT的运算效率，并利用其实现了快速而精确的暂态评估。……