1.一种自适应扩充数据的电力系统暂态稳定自动评估方法，其特征在于该方法包括以下步骤：(1)对具有N台发电机的电力系统，根据电力系统历史运行情况和运行人员经验，对s种运行工况在f种故障下的暂态稳定性进行时域仿真计算，得到s×f种运行场景数据构成的数据集D 0 ＝(X k ，y k )，其中，上标k表示第k种运行场景，k＝1,2,…,s×f，y k 表示基于第k种运行场景极限切除时间CCT k 的暂态稳定裕度指标：其中，t cl k 表示第k种运行场景的故障清除时间，故障清除时间根据继电保护历史动作情况设定，取值范围为0.05s～0.3s，CCT k 表示第k种运行场景的极限切除时间，通过仿真计算得到，X k 表示第k种运行场景的特征向量：X k ＝[P Gi k (t)/P Gi k (0),δ i k (t),ω i k (t),α i k (t),E i k (t)]其中，P Gi k (t)表示故障清除后第t个采样点的发电机有功功率，P Gi k (0)表示故障发生前发电机有功功率，δ i k (t)表示故障清除后第t个采样点的发电机转子角度，ω i k (t)表示故障清除后第t个采样点的发电机转子角速度，α i k (t)表示故障清除后第t个采样点的发电机转子角加速度，E i k (t)表示故障清除后第t个采样点的发电机动能，下标i表示电力系统中的第i台发电机，i＝1,2,…,N，t表示第t个采样点，t＝1,2,…,n，n为设定的采样点数，采样频率选为电力系统的额定频率；(2)采用线性归一化方法，对步骤(1)的数据集D 0 中的特征向量X k 进行归一化，得到归一化后的数据集 其中 表示归一化后的特征向量；(3)从步骤(2)的数据集D 1 中随机抽取 种场景作为训练集D train ，剩余 个样本作为验证集D verify ，其中 表示对0.8×s×f向下取整；(4)设计一个深度神经网络模型C 0 ，其中，深度神经网络模型C 0 的输入为步骤(2)中归一化后的特征向量 深度神经网络模型C 0 的输出为步骤(1)暂态稳定评估指标y k ，神经网络的层数和每一层的神经元个数由人为设定，采用Adam算法和训练集D train 对深度神经网络模型参数进行求解，Adam算法迭代中的训练轮次和批数量由人为设定；(5)统计电力系统历史量测数据中的噪声含量和量测信息缺失的发电机台数，考虑数据噪声和发电机量测信息缺失，根据步骤(3)的验证集D verify 生成一个新验证集D verify-new ，具体包括以下步骤：(5-1)从电力系统调度中心获取历史量测数据中的噪声含量，根据历史量测数据中噪声含量的统计结果得到新验证集D verify-new 中最小噪声方差σ min 、最大噪声方差σ max 和噪声步长Δσ；(5-2)依次在验证集D verify 的所有归一化特征向量上分别叠加方差为σ min 、σ min +Δσ、σ min +2Δσ、……、σ max 的高斯白噪声，得到新验证集D verify-noisy ；(5-3)从电力系统调度中心获取历史量测数据中的量测信息缺失的发电机台数，根据历史量测数据中量测信息缺失的发电机台数的统计结果，得到新验证集中缺失信息的发电机最小台数M min 和最大台数M max ；(5-4)依次在验证集D verify 的所有归一化特征向量上分别随机设置M min 、M min +1、M min +2、……、M max 台发电机的特征信息缺失，用剩余发电机相应特征的平均值作为缺失值，得到新验证集D verify-miss ；(5-5)将步骤(5-2)的新验证集D verify-noisy 和步骤(5-4)的新验证集D verify-miss 合并，得到新验证集D verify-new ；(6)根据步骤(3)的训练集D train 以及电力系统历史量测数据中的缺失信息的发电机台数统计信息，对训练集进行扩充，利用扩充后的训练集对步骤(4)的深度神经网络模型C 0 进行微调，通过多次迭代计算自适应确定扩充数据的规模，得到最终用于暂态稳定评估的深度神经网络模型M，具体包括如下步骤：(6-1)设迭代次数r的初值为0，最大迭代次数为r max ，第r次迭代中得到的暂态稳定评估的深度神经网络模型为C r ，下标r表示迭代次数，所有迭代中深度神经网络模型的最大综合评估指标E max 的初值为0；(6-2)利用深度神经网络模型C r ，分别对步骤(3)的验证集D verify 和步骤(5)的新验证集D verify-new 中的所有场景进行暂态稳定评估，通过C r 的暂态稳定评估结果与真实暂态稳定标签的对比，得到综合评估指标E r ，具体包括如下步骤：(6-2-1)利用深度神经网络模型C r 对步骤(3)的验证集D verify 中的所有场景进行暂态稳定评估，通过暂态稳定评估结果与真实暂态稳定标签的对比，得到评估准确率A 1 ：其中， 表示深度神经网络模型C r 对验证集D verify 中第j 1 个场景的评估结果， 表示验证集D verify 中第j 1 个场景的暂态稳定评估指标；(6-2-2)利用深度神经网络模型C r 对步骤(5)的新验证集D verify-new 中的所有场景进行暂态稳定评估，通过暂态稳定评估结果与真实暂态稳定标签的对比，得到评估准确率A 2 ：其中， 表示深度神经网络模型C r 对验证集D verify-new 中第j 2 个场景的评估结果， 表示验证集D verify-new 中第j 2 个场景的暂态稳定评估指标；(6-2-3)计算深度神经网络模型C r 的综合评估指标E r ，计算公式如下：E r ＝w 1 ×A 1 +w 2 ×A 2其中，w 1 、w 2 为人为设定的权重，且满足w 1 +w 2 ＝1，且w 1 ≥0，w 2 ≥0；(6-3)将综合评估指标E r 的值与E max 进行对比，若E r ≤E max ，则模型C r-1 即为最终的暂态稳定评估模型M，转入步骤(7)，若E r >E max ，则令E max ＝E r ，转入步骤(6-4)；(6-4)从步骤(3)的初始训练集D train 中有放回地随机抽取d个运行场景，依次对d个运行场景的特征向量分别叠加噪声和设置部分发电机信息缺失，得到新数据集D add ，具体包括如下步骤：(6-4-1)设迭代次数e＝0，从初始训练集D train 中有放回地随机抽取d个运行场景，构成数据集D select ；(6-4-2)令e:＝e+1；(6-4-3)随机生成两个随机数g 1 和g 2 ，其中g 1 ∈[σ min ，σ max ]且g 1 ∈R，g 2 ∈[M min ，M max ]且g 2 ∈N；(6-4-4)从数据集D select 中取出第e个运行场景；(6-4-5)依次在步骤(6-4-4)取出的第e个运行场景的归一化特征向量上分别叠加方差为g 1 的高斯白噪声，得到新运行场景，将得到的新运行场景放入数据集D add 中；(6-4-6)依次在步骤(6-4-4)取出的第e个运行场景的归一化特征向量上随机去掉g 2 台发电机，然后用剩余发电机相应特征的平均值作为缺失值，得到新运行场景，将得到新运行场景放入数据集D add 中；(6-4-7)将e和d的大小进行对比，若e≥d，则转入步骤(6-5)，若e<d，则转入步骤(6-4-2)；(6-5)利用Adam算法和D train ∪D add 中的样本对深度神经网络模型C r 进行微调，微调的训练轮次和批数量由人为设定，得到新的深度神经网络模型C r+1 ；(6-6)令r:＝r+1，转入步骤(6-2)；(7)当电力系统发生故障后，采集电力系统实测数据，得到步骤(1)中所需的输入特征，利用步骤(2)的归一化方法对数据进行归一化处理，将归一化处理后的数据输入至步骤(6-3)得到的暂态稳定评估模型M中，暂态稳定评估模型M的输出即为暂态稳定评估结果，实现自适应扩充数据的电力系统暂态稳定自动评估。
