暂态稳定评估(TSA)是电力系统运行中最重要的问题之一。近年来,人工智能(AI)方法被广泛应用于该领域。基于人工智能的TSA策略通常由两个部分组成,一是减少特征维数、提高智能稳定评估方法学习效率的特征选择过程,一是建立从输入特征到系统暂态稳定状态之间的映射关系的模式识别过程。 被广泛应用的诸如主成分分析法(PCA)等特征变换算法存在着输入特征物理背景遗失、使得后续稳定判别过程变得难以理解的问题；而常用的人工神经网络(ANN)和支持向量机(SVM)等模式识别方法又有着映射关系难以被描述和解释的不足。 为了克服这些问题,本文采用了一种新的样本驱动的特征选择和稳定判别规则提取策略研究基于动态输入特征的TSA问题。首选在特征选择过程中采用聚类分析算法评价特征的性能,采用遗传算法进行特征组合优化。然后应用模式发现算法,结合决策树算法客观地生成清晰、具体的暂态稳定判别规则。 分别把上述的基于GA-KNN的特征选择过程和结合模式发现与决策树搜索的规则提取算法应用到3机9节点系统和10机39节点系统中,得到了各自对应暂态稳定评估关键特征集,进而得到了各系统下的稳定判别规则,然后再用稳定判别规则对样本进行稳定分类,分类结果证明了本方法的有效性。 研究结果同时还揭示了电力系统暂态稳定评估中电网结构和扰动类型对特征选择和稳定判别规则的影响。