1.一种基于时空序列的大电网静态稳定边界特征提取方法，其特征在于，包括：设定电网运行初始状态，利用连续潮流法，穷举多种负荷增长和发电机出力增加的运行工况，采集静态稳定边界全息样本数据；将全息样本数据按采样时间顺序排列形成矩阵公式如下：X N*T ＝[x(t 1 ),x(t 2 ),.....,x(t i ),...] (1)其中，x(t i )为在采样时刻t i 的全息样本数据，每个全息样本的量测数据构成的列向量，在全息样本数据中添加高斯白噪声，并对含噪音的全息样本数据进行平滑处理，使用实时分离窗技术，设置实时分离窗宽度T W ，在t i 时刻获取样本矩阵为：X N*Tw (t i )＝[x(t i-Tw+1 ),x(t i-Tw+2 ),.....,x(t i )] (2)取数据处理后的X矩阵的最后一列作为静态稳定边界样本数据；将静态稳定边界样本数据按源、网和荷分类，将边界源样本、边界网样本和边界荷样本合成三个矩阵，将三个矩阵中的数据进行归一化处理，形成像素矩阵，映射为源样本图片、网样本图片和荷样本图片三张样本图片；利用基于尺度不变特性变换法提取源样本图片、网样本图片和荷样本图片三张样本图片特征，计算三张样本图片高斯差分尺度空间D(x,y,σ)，公式如下：D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y) (3)其中(x，y)是空间坐标，σ是尺度坐标，I(x,y)为图片像素矩阵，G(x,y,σ)是尺度坐标为σ下的尺度可变高斯函数，G(x,y,kσ)是尺度坐标为kσ下的尺度可变高斯函数，G(x,y,kσ)表达式如下：在高斯差分尺度空间上，针对三张样本图片的每一个采样点和图像域与尺度域的相邻点相比较，得到尺度空间上的极值点去除边缘响应，去除边缘响应公式如下：其中H为由高斯尺度空间构成的海森矩阵，Tr(H)为海森矩阵的迹，Det(H)为海森矩阵的行列式，γ为该矩阵最大特征值与最小特征值间的倍数；将高斯差分尺度空间上的关键点周围的采样点带入梯度公式，确定梯度主方向，以关键点为中心取16个8×8的窗口，计算梯度方向直方图，绘制每个梯度方向的累加值，形成一个128维的描述子；对边界荷样本图片和边界网样本图片进行特征匹配；计算边界荷样本图片和边界网样本图片特征描述子的欧式距离，若计算结果小于设定的阈值，则判定匹配成功；若大于阈值，则判定不成功，对下一个特征点描述子进行匹配，欧式距离D的计算方法如下式所示：D＝[arccos(des1*des2)]^1/2 (6)其中，des1为荷样本图片特征描述子,des2为网样本图片特征描述子；将荷样本图片与网样本图片匹配到的特征数与网样本图片的总特征数相除得到静稳极限状态下的样本荷-网的静态稳定边界特征K hw ，K hw 公式如下：其中，F m1 为荷样本图片与网样本图片匹配到的特征数，F w 为网样本图片的总特征数。
2.根据权利要求1所述的方法，所述的静态稳定边界特征K hw 根据不同的功率增长百分比行成静态稳定边界特征K hw 的实时曲线。
3.根据权利要求1所述的方法，所述的全息样本数据包括发电机节点电压、流入有功功率、无功功率、母线电压、流出有功功率、无功功率、负荷有功功率和无功功率。
4.根据权利要求1所述的方法，所述的电网运行初始状态包括网络拓扑结构和初始负荷状态。
5.根据权利要求1所述的方法，所述的发电机出力增加的运行工况包括单负荷增长、多负荷增长、全负荷增长、单台发电机出力增长和多台发电机出力增长。
6.根据权利要求1所述的方法，所述的t i 取值范围从电网运行初始时刻到电网静态稳定极限状态运行时刻。
7.根据权利要求1所述的方法，所述的三个矩阵的合成具体流程把包括：以所有边界样本为行，电网源数据变量为列合成源矩阵、网矩阵和荷矩阵。
8.一种基于时空序列的大电网静态稳定边界特征提取系统，所述系统包括：采集模块：设定电网运行初始状态，利用连续潮流法，穷举多种负荷增长和发电机出力增加的运行工况，采集静态稳定边界全息样本数据；数据处理模块：将全息样本数据按采样时间顺序排列形成矩阵，公式如下：X N*T ＝[x(t 1 ),x(t 2 ),.....,x(t i ),...]其中，x(t i )为在采样时刻t i 的全息样本数据，每个全息样本的量测数据构成的列向量，在全息样本数据中添加高斯白噪声，并对含噪音的全息样本数据进行平滑处理，使用实时分离窗技术，设置实时分离窗宽度T W ，在t i 时刻获取样本矩阵为：X N*Tw (t i )＝[x(t i-Tw+1 ),x(t i-Tw+2 ),.....,x(t i )]取数据处理后的X矩阵的最后一列作为静态稳定边界样本数据；映射模块：将静态稳定边界样本数据按源、网和荷分类，将边界源样本、边界网样本和边界荷样本合成三个矩阵，将三个矩阵中的数据进行归一化处理，形成像素矩阵，映射为源样本图片、网样本图片和荷样本图片三张样本图片；计算模块：利用基于尺度不变特性变换法提取源样本图片、网样本图片和荷样本图片三张样本图片特征，计算三张样本图片高斯差分尺度空间D(x,y,σ)，公式如下：D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)其中(x，y)是空间坐标，σ是尺度坐标，I(x,y)为图片像素矩阵，G(x,y,σ)是尺度坐标为σ下的尺度可变高斯函数，G(x,y,kσ)是尺度坐标为kσ下的尺度可变高斯函数，G(x,y,kσ)表达式如下：在高斯差分尺度空间上，针对三张样本图片的每一个采样点和图像域与尺度域的相邻点相比较，得到尺度空间上的极值点去除边缘响应，去除边缘响应公式如下：其中H为由高斯尺度空间构成的海森矩阵，Tr(H)为海森矩阵的迹，Det(H)为海森矩阵的行列式，γ为该矩阵最大特征值与最小特征值间的倍数；将高斯差分尺度空间上的关键点周围的采样点带入梯度公式，确定梯度主方向，以关键点为中心取16个8×8的窗口，计算梯度方向直方图，绘制每个梯度方向的累加值，形成一个128维的描述子；匹配模块：对边界荷样本图片和边界网样本图片进行特征匹配；计算边界荷样本图片和边界网样本图片特征描述子的欧式距离，若计算结果小于设定的阈值，则判定匹配成功；若大于阈值，则判定不成功，对下一个特征点描述子进行匹配，欧式距离D的计算方法如下式所示：D＝[arccos(des1*des2)]^1/2其中，des1为荷样本图片特征描述子,des2为网样本图片特征描述子；提取特征模块：将荷样本图片与网样本图片匹配到的特征数与网样本图片的总特征数相除得到静稳极限状态下的样本荷-网的静态稳定边界特征K hw ，K hw 公式如下：其中，F m1 为荷样本图片与网样本图片匹配到的特征数，F w 为网样本图片的总特征数。
