1.一种具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，包括如下步骤：S1，基于NGBoost集成学习模型构建暂态稳定分类器；S2，利用暂态稳定数据集对暂态稳定分类器进行迭代训练，建立暂态稳定评估模型；S3，采用暂态稳定评估模型对电力系统的暂态稳定状态进行在线评估，输出暂态稳定评估结果及对应的可信度；S4，将暂态稳定评估结果的可信度与可信度阈值进行比较，若暂态稳定评估结果的可信度大于可信度阈值认为暂态稳定评估结果可信，否则，返回步骤S3采集下一工频周期的数据重新进行评估；所述建立暂态稳定评估模型包括如下步骤：S21，基于电力系统历史数据和时域 仿真数据建立暂态稳定数据集，所述暂态稳定数据集包括输入数据和输出数据；S22，通过主成分分析法将高维度的输入数据压缩至低维，以建立新的暂态稳定数据集；在步骤S22中，所述建立新的暂态稳定数据集包括如下步骤：S22.1，通过主成分分析法将原始的输入数据进行降维，计算降维后各新输入数据的贡献率，设置贡献率阈值；S22.2，计算前K个新输入数据的累计贡献率；S22.3，将步骤S22.2的累计贡献率与贡献率阈值进行比较，若累计贡献率大于贡献率阈值，则将前K个新输入数据作为新的暂态稳定数据集，否则，更新K重新计算累计贡献率，直至累计贡献率大于贡献率阈值；S23，将新的暂态稳定数据集随机划分为训练数据集和验证数据集；S24，利用训练数据集对暂态稳定分类器进行迭代训练建立暂态稳定评估模型；S25，利用验证数据集判断步骤S24中得到的暂态稳定评估模型是否满足电力系统精度要求。
2.根据权利要求1所述的具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，在步骤S21中，所述输入数据包括线路有功功率P和无功功率Q、母线电压幅值V和母线相角θ，所述输出数据包括系统暂态稳定状态，系统暂态稳定状态包括稳定和失稳。
3.根据权利要求2所述的具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，在步骤S25中，所述判断暂态稳定评估模型的评估是否满足电力系统精度要求是通过准确率P acc 和召回率P rec 两个性能评价指标进行，且对应的计算公式分别为：式中，TP表示被准确评估的稳定样本数，TN表示被准确评估的不稳定样本数，FP表示被错误评估的稳定样本数，FN表示被错误评估的不稳定样本数；当准确率P acc 和召回率P rec 均满足电力系统精度要求时，则执行步骤S3；否则，返回步骤S24重新对暂态稳定评估模型进行训练。
4.根据权利要求1或3所述的具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，在步骤S3中，所述对电力系统的暂态稳定状态进行在线评估包括如下步骤：S31，利用PMU监测装置采集实时输入数据，通过主成分分析法将高维度的实时输入数据压缩至低维；S32，将降维后的实时输入数据输入暂态稳定评估模型，得到当前状态下的暂态稳定评估结果及对应的可信度。
5.根据权利要求4所述的具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，所述通过主成分分析法将高维度的输入数据压缩至低维所对应的公式为：Z＝X′A；式中，Z表示低维的输入数据，X′表示将高维度的输入数据中心化处理后的输入数据，A表示投影矩阵。
6.根据权利要求1或5所述的具备高可信度的电力系统暂态稳定智能化评估系统，其特征在于，包括暂态稳定数据集构建模块、暂态稳定分类器建立模块、降维模块、暂态稳定评估模型建立模块、暂态稳定评估模型评估模块、暂态稳定评估模型在线预测模块、可信度评估模块，所述暂态稳定分类器建立模块与暂态稳定评估模型建立模块相连接，暂态稳定数据集构建模块与降维模块相连接，降维模块分别与暂态稳定评估模型建立模块、暂态稳定评估模型评估模块和暂态稳定评估模型在线预测模块相连接，且暂态稳定评估模型建立模块与暂态稳定评估模型评估模块相连接；所述暂态稳定评估模型在线预测模块与可信度评估模块相连接。
