CN109378835A - 基于互信息冗余性最优的大规模电力系统暂态稳定评估系统 - Google Patents

Abstract

基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，该系统首先基于PMU数据或软件仿真，获得一个能够近似表征当前电力系统所有运行特征的电力系统大数据集；在此基础上，通过多次运用信息冗余性最优算法，构造与系统暂态稳定裕度相关性最大且冗余性最小的最优特征集；利用MATLAB构建所选变量与TSM之间关系的函数表达式；通过电力系统获得的实时的变量数据，可以通过表达式直接估计TSM。并将其进行适当补偿后，将结果反馈给现场调度人员，以便及时做出决策。本发明能解决传统评估方法精度差、速度慢、对数据丢失鲁棒性差且评估解析性差等缺点，有效满足大规模电力系统的实时评估需求。

Description

基于互信息冗余性最优的大规模电力系统暂态稳定评估系统

技术领域

本发明涉及大规模电力系统运行控制技术领域，具体涉及一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统。

背景技术

近些年来，随着电网规模的不断扩大、拓扑结构愈加复杂，一个较小的扰动可能引发连锁故障而造成功角失稳，暂态稳定问题已经成为威胁电网安稳运行的一个重要因素。对系统当前功角的稳定运行状态进行感知，对系统的暂态稳定裕度进行评估，提醒调度人员在暂稳裕度薄弱点采取必要的预防性措施，可大幅提高系统抵御故障扰动的能力。因此，对电力系统的暂态稳定运行状态进行实时的监测，保证电网运行工作点有足够的暂态稳定裕度，对整个电力系统的安全可靠运行有重要意义。

传统基于时域仿真的电力系统暂态安稳评估方法，虽然能够提供相对准确的评估结果，但受限于当前处理器的计算能力，在应用于大规模电力系统时评估速度难以达到要求。近些年来，随着计算机技术的迅猛发展，人工神经网络和决策树等人工智能算法被引入电力系统安稳评估中。这些评估方法虽然具有较快的评估速度，但在实际应用中，也各有不足。由于机器学习的固有属性，评估误差往往客观存在，这些误差降低评估精度的同时，可能将原本不稳定的样本误判为稳定，最终导致的后果可能是灾难性的。人工神经网络作为一种“黑箱”算法，无法获知输入与输出之间的具体关联关系，难以为电网的安稳控制和电力系统失稳后的故障回溯提供重要信息。故障前暂态稳定评估本身涉及多个地理位置，评估结果十分繁杂且不直观，难以为电力系统调度人员提供直接的辅助信息。

因此，如何构建适用于大规模互联电力系统的暂态稳定评估方法，给出系统变量与暂态安稳裕度之间明确的解析表达，构建合理的补偿机制防止暂态失稳现象的漏判，提高算法对数据丢失的鲁棒性，最终实现对整个电网暂态稳定准确、快速且稳定的评估，是当前一个亟待解决的问题。

发明内容

为了解决以上问题，本发明提供一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，该系统是一种面向大规模互联电力系统的暂态稳定裕度实时评估系统；能解决传统评估方法精度差、速度慢、对数据丢失鲁棒性差且评估解析性差等缺点，有效满足大规模电力系统的实时评估需求。

本发明采取的技术方案为：

一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，包括；

基础数据存储平台，该平台基于现场/历史PMU数据，或利用MATLAB和Python程序对电力系统仿真软件PSS/E进行控制，采集不同工作点下的电力系统运行数据，最终获得一个能够近似表征当前电力系统所有运行特征的电力系统大数据集，然后针对每一个工作点，计算其对应的暂态稳定裕度TSM；

暂态稳定特征提取模块，用于提取与暂态稳定裕度相关性最优的特征集，该模块包含一种基于针对信息冗余性的最优算法，该最优算法用于找到一组与系统暂态稳定裕度相关性最大的特征变量集，且变量集中特征相互之间的相关性最小；

拓扑在线更新模块，通过曲线拟合技术，构建不同变量与对应暂态稳定裕度之间的数学解析关系，对于每个拓扑，记录其获得的暂态稳定裕度函数表达式和相应的参数，如果电力系统中检测到未知的拓扑变化，则根据最新的当前运行情况重新提取特征变量集和构建数学解析关系，生成新的待评估的模型。

评估补偿模块，使用电力系统获得的新变量数据，通过获得的暂态稳定裕度表达式对暂态稳定裕度进行计算，然后对评估结果做适当补偿后，将结果反馈给现场调度人员。

所述基础数据存储平台，利用MATLAB和Python程序采集不同工作点下的电力系统运行数据，包括以下步骤：

步骤a：系统首先随机选取负荷参数的分布函数，同时，利用最优潮流OPF确定实际/无功功率分布和分接开关位置变量，此时，一个初始的系统工作点确定；

步骤b:然后，各个母线上的负荷和发电机出力以其初始工作点为出发点，在±20％范围内连续变化，电力系统仿真软件对设定的每一个系统工作点进行潮流计算；

步骤c:为了突出系统特性，获得更多靠近暂态稳定运行边界的样本点，故障监测点主要设置在区域间的联络线和重负荷线路上。

步骤d:基于给定的故障监测点列表和电力系统运行数据，利用暂态分析软件PSAT对每一种运行状态下的实际切除时间进行设定，对极限切除时间CCT进行求解。

所述暂态稳定裕度TSM的计算方法如下：

其中：i为监测点编号，CCT_i为监测点i的极限切除时间，ACT_i为监测点i的实际切除时间。

所述暂态稳定特征提取模块，一种基于针对信息冗余性的最优算法，通过式(2)实现：

式中：H(f_i)和H(f_j)分别是第i个特征和第j个特征的熵值，{f₁，f₂，f₃…f_F}为待提取的特征集，F为特征集中的特征数目，MI(f_i，y)表示f_i特征与目标类y之间的“相似”程度，MI(f_i，f_j)表示特征集内部特征间的“相似”程度，具体由下式确定：

其中：f_i,x为f_i的第x个元素，y_x为目标变量y的第x个元素，p(f_i，x)和p(y_x)分别表示f_i，x和y_x的边际概率密度函数，p(f_i,x,y_x)表示它们的联合概率分布，p(f_i,x,f_i,y)表示f_i,xf_i,y的联合概率分布。

所述基于针对信息冗余性的最优算法累加搜索流程如下：

(a)：第一个特征选择：每个候选特征与目标类之间的互信息值由式(3)计算得到。为选定的特性创建数据集(D)，并选择MI值最高的特性(f_i,y)作为第一个选定的特性。

(b)：第二个特征选择：第一个选定特征与其他候选特征之间的互信息值由式(4)计算得到。选择MI(f_i,f_j)值最小的特征作为第二个选择特征。

(c)：随后的特征选择：有了这两个选择特征的数据，数据集D中的相关性和冗余分别可由式(3)和式(4)计算得到。此后不断应用如(2)式所示的信息冗余性最优算法，逐项选取子特征。如果已达到选定特征的指定数量，则算法终止。

所述评估补偿模块，对评估结果做适当补偿，如果获得的稳定裕度值R_ij高于门槛值，说明当前系统离不稳定边界较远，没有补偿的必要，最终结果与评估值相等；若获得的稳定裕度值R_ij低于门槛值，说明当前系统的工作点在稳定边界附近，为了保守估计当前的稳定裕度，补偿算法在评估值前再乘以一个小于1的补偿系数。具体补偿规则如式(5)所示，

式中：R_ij为第i个特征集合中第j个特征变量对应的估计结果，为补偿后的评估结果，ω为补偿系数，T为补偿算法门槛值。

本发明一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，有益效果为：

暂态稳定评估系统采用基于信息论的信息冗余性最优算法，能够全面感知电网暂稳运行状态的整体统计概率，对大规模互联电力系统暂态稳定评估问题具有更好的适应性；系统采用信息冗余性最优算法对电网的安稳特征进行提取，可有效的防止过拟合现象的发生，提高了系统暂稳评估的精度；基于曲线拟合获得的稳定裕度解析表达式，不仅便于存储和计算，而且具有良好的解析性，可为电网的安稳控制和电力系统失稳后的故障回溯提供重要信息；此外，算法构建了合理的补偿机制，防止暂态失稳样本被漏判为稳定，可有效防止由暂稳评估误差而造成的失稳严重后果，更贴合电力系统的实际需求。

附图说明

图1为本发明的系统图。

图2为本发明实施例的总体流程图。

图3为本发明中基础数据存储平台的组成框图。

图4为本发明中暂态稳定特征提取模块的组成框图。

图5为发明中拓扑在线更新模块的组成框图。

具体实施方式

一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，该系统首先基于PMU数据或软件仿真，获得一个能够近似表征当前电力系统所有运行特征的电力系统大数据集；在此基础上，通过多次运用信息冗余性最优算法，构造与系统暂态稳定裕度相关性最大且冗余性最小的最优特征集；利用MATLAB构建所选变量与TSM之间关系的函数表达式；通过电力系统获得的实时的变量数据，可以通过表达式直接估计TSM。并将其进行适当补偿后，将结果反馈给现场调度人员，以便及时做出决策。

一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，用于对大规模的电力系统进行暂态稳定评估，在全局层面保证电网运行工作点有足够的暂态稳定裕度，在更稳定、可靠的状态下运行。其特征在于包括基础数据存储平台，暂态稳定特征提取模块，拓扑在线更新模块和评估补偿模块四个部分，其中：

所述基础数据存储平台，是整个系统的数据采集与存储中心。

所述暂态稳定特征提取模块，是整个系统特征提取的算法核心。

所述拓扑在线更新模块，可针对系统中拓扑的变化情况，选择适合的评估模型。

所述评估补偿评估模块，通过实时数据和评估模型给出评估结果后，设置相关补偿规则对评估结果进行进一步的补偿，以防止暂态失稳现象的漏判而造成严重的失稳后果。

具体工作流程如下：

(1)：基于现场/历史PMU数据，或利用MATLAB和Python程序对电力系统仿真软件PSS/E进行控制，采集不同工作点下的电力系统运行数据，最终获得一个能够近似表征当前电力系统所有运行特征的电力系统大数据集。然后针对每一个工作点，计算其对应的暂态稳定裕度TSM。

(2)：通过多次运用信息冗余性最优算法，在电力系统大数据集中，提取M个不同的特征集，每个特征集中有N个变量，这些变量与系统的暂态稳定裕度相关性最大，且同一特征集内的特征之间相关性最小。具体信息冗余性最优算法包含相关性计算，冗余性计算和最优化计算三个部分。

(3)：利用MATLAB中的曲线拟合模块构建所选变量与TSM之间关系的函数表达式。

(4)：当检测到系统拓扑发生变化，则变量与TSM之间将出现新的解析关系，即已有的表达式不再适用。此时需要在新的运行条件下将信息冗余性最优算法过程运用到新的拓扑中，得到变量与TSM的新的关系，实现数据在线更新。

(5)：通过电力系统获得的新变量数据，可以通过表达式直接估计TSM。然后将估计值送入补偿模块，评估结果做适当补偿后，将最终评估值反馈给现场调度人员，以便及时做出决策。

所述步骤(1)中，利用MATLAB和Python程序采集不同工作点下的电力系统运行数据的具体流程如下：

(a)系统首先随机选取负荷参数的分布函数，同时，利用最优潮流(OPF)确定实际/无功功率分布和分接开关位置等其他变量，此时，一个初始的系统工作点确定。

(b)然后，各个母线上的负荷和发电机出力以其初始工作点为出发点，在±20％范围内连续变化，电力系统仿真软件对设定的每一个系统工作点进行潮流计算。

(c)为了突出系统特性，获得更多靠近暂态稳定运行边界的样本点，本专利中的故障监测点主要设置在区域间的联络线和重负荷线路上。

(d)基于给定的故障监测点列表和电力系统运行数据，利用暂态分析软件PSAT对每一种运行状态下的实际切除时间进行设定，对极限切除时间CCT进行求解。

所述步骤(1)中在大数据集构建过程中，暂态稳定裕度的计算方法如下：

其中i为监测点编号，CCT_i为监测点i的极限切除时间，ACT为监测点i的实际切除时间。

所述步骤(2)中的信息冗余性最优算法，其目标是在相互信息的基础上找到一组相关的互补特征。这一技术的基础是，如果两个特征之间有密切的联系，则它们在分类或预测中起着相似的作用。因此，不需要将两者都包含在选定的特性集中，不管它们是否与目标对象类高度相关。MRMR算法包括关联性计算和冗余性计算两部分。具体地，电力系统数据集D表示为S样本和F＝{f₁，f₂，f₃…f_F}特征(操作参数)。y是目标变量TSM。MRMR算法的目标是寻找子空间M＝{m₁，m₂，m₃….m_M}，R^M。从F和R^F可以全面互补地刻画目标y类。

所述步骤(2)中的相关性计算的方法如下：

数据集D与目标类y的相关性(记为U(D,y))由各个特征与目标类y之间的所有互信息(MI)值的平均值来度量，如下所示：

其中F为特征集的大小。MI(f_i，y)表示特征与目标类y之间的“相似”程度，定义如下。

其中，f_i,x为f_i的第x个元素，y_x为目标变量y的第x个元素，p(f_i，x)和p(y_x)分别表示f_i，x和y_x的边际概率密度函数，p(f_i,x,y_x)表示它们的联合概率分布。

所述步骤(2)中的冗余性计算的方法如下：

根据公式(2)选取的特征之间可能存在有冗余。V(F)表示不同特征间的相似(冗余)程度，可由式(4)计算：

其中:f_i，f_j分别表示第i和第j个特征，MI(f_i,f_j)由式(5)计算，表示它们的相互信息。

其中，p(f_i,x,f_i,y)表示f_i,x f_i,y的联合概率分布。

所述步骤(2)中的最终的信息冗余性最优算法的计算方法如下：

信息冗余性最优算法的目标是找到一组与目标变量相关性最大的特征(TSM)，且根据上面的表达式(2)和(4)，它们之间的相关性最小。在实践中，最大关联U(D,y)和最小冗余V(F)不能总是同时实现。进行了优化，将它们组合成一个标准，由表达式(6)给出。其中，H(f_i)和H(f_j)分别是第i个特征和第j个特征的熵。

所述步骤(2)中的信息冗余性最优算法是一种增量搜索过程，称为“一阶算法”，累加和如下所示：

(a)第一个特征选择。每个候选特征与目标类之间的互信息值由式(3)计算得到。为选定的特性创建数据集(D)，并选择MI值最高的特性(f_i,y)作为第一个选定的特性。

(b)第二个特征选择。第一个选定特征与其他候选特征之间的互信息值由式(5)计算得到。选择MI(f_i,f_j)值最小的特征作为第二个选择特征。

(c)随后的特征选择。有了这两个选择特征的数据，数据集D中的相关性和冗余分别由式(2)和式(4)计算得到。此后不断应用如(6)式所示的信息冗余性最优算法，，逐项选取子特征。如果已达到选定特征的指定数量，则算法终止。

所述步骤(3)中的函数表达式，是通过MATLAB曲线拟合工具箱，将特征集中的特征与其对应的暂态稳定裕度放入同一坐标系后，获得的曲线的数学解析表达。

所述步骤(5)中，利用式(7)计算补偿前的评估结果R_F。

M为所选特征集合的总数，N为每个特征集合中的变量数，R_ij为第i个特征集合中第j个特征变量对应的估计结果。

所述步骤(5)中，利用式(8)计算补偿后的最终评估结果

式中，为补偿后的评估结果，ω为补偿系数，T为补偿算法门槛值。

实施例：

本实施例以1648总线系统为研究对象，观察其对大型电力系统暂态功角稳定性的评估情况。

实施例中整体框架如图1所示，系统主要由基础数据存储平台，暂态稳定特征提取模块，拓扑在线更新模块和评估补偿模块四个部分。基础数据存储平台，其目的是基于现场PMU的大型历史数据集，建立一个近似于所有随机变量概率分布的统计模型；暂态稳定特征提取模块，构造了与暂态稳定裕度相关性和冗余性最优的特征集；拓扑变换模块中，通过曲线拟合，构建不同变量与对应TSM之间的拓扑关系；补偿评估模块，使用电力系统获得的新变量数据，可以通过获得的暂态稳定裕度表达式直接进行暂态安稳评估，然后对评估结果做适当补偿后，将结果反馈给现场调度人员，以便及时做出决策。

实施例的总体执行流程图如图2所示，具体包含以下几个步骤：

(1)利用MATLAB和Python程序对PSS/E仿真器进行控制，自动采集PSS/E数据，建立一个记录操作变量及相应TSM的电力系统大数据集，并通过式(1)计算各个运行点所对应的暂态稳定裕度TSM。

(2)通过信息冗余性最优算法，构建了操作变量与TSM之间的关系，并记录不同网络拓扑下的暂态稳定裕度计算表达式。

(3)当新的运行条件出现时，比较当前拓扑和数据集中已有的拓扑，确定该拓扑是否已被记录。

(3’)若该拓扑为数据集中已有的拓扑类型，则使用相应的特征集和表达式。

(3”)若该拓扑为新的拓扑，则在新的运行条件下，将信息冗余性最优算法过程运用到新的拓扑中，得到新的表达式。

(4)根据得到的关系，对当前的运行点进行暂态稳定裕度评估。

图3为本发明中基础数据提取与存储模块的组成框图。在该模块中，系统首先随机选取负荷参数的分布函数，同时，利用最优潮流(OPF)确定实际/无功功率分布和分接开关位置等其他变量，此时，一个初始的系统工作点确定。然后，各个母线上的负荷和发电机出力以其初始工作点为出发点，在±20％范围内连续变化，电力系统仿真软件对设定的每一个系统工作点进行潮流计算，MATLAB软件负责将计算过程中电力系统所有的控制变量和状态变量数据收集和记录。在大数据集构建过程中，为了突出系统特性，获得更多靠近暂态稳定运行边界的样本点，发明中系统的假想故障监测点主要设置在区域间的联络线和重负荷线路上。这些母线和线路对系统的暂态稳定安全有较强的影响，对这些关键节点的暂稳监控也符合实际电网的需求。现实中监测点的选择可由系统运行实际情况和运行经验综合确定。

图4为本发明中暂态稳定特征提取模块的组成框图。具体工作流程为：

(1)相关性计算。通过计算数据集D与目标类y的相关性和特征与目标类y之间的“相似”程度，找出与目标变量相关性最大的特征。

(2)冗余计算。通过计算所选特征值可能存在的冗余，筛选出与目标变量冗余性最小的特征。

(3)通过互信息冗余性最优的算法，找到一组与目标变量相关性最大的特征，且它们之间的相关性最小。

作为本发明的一种优选方案，本实施例中相关参数设置如下：

(1)在PSS/E系统中，测试并生成各种不同的暂态裕度的工作点7264个，每个工作点中含有31525个变量。

(2)在生成的7264个样本中，随机选择其中5811个样本进行训练，1453个样本留作测试。

(3)然后并行生成8个特征集，每个特征集中包含有3个特征变量。

(4)最后补偿评估模块中的补偿参数：补偿门槛值T＝0.4，补偿参数ω＝0.85

图5为本发明中拓扑变换模块的组成框图。具体工作流程为：

(1)通过冗余性最优算法，构建了操作变量与TSM之间的关系，并记录不同网络拓扑的表达式。

(2)当新的运行条件出现时，比较当前拓扑和数据集中已有的拓扑，确定该拓扑是否已被记录。

(3)若该拓扑为数据集中已有的拓扑，则使用相应的特征集和表达式。

(4)若该拓扑为新的拓扑，则在新的运行条件下，将冗余性最优算法应用到新的拓扑中，得到新的表达式。

作为本发明的一种优选方案，最终获得的第一个特征集中的特征变量类型，以及各个特征变量与暂态稳定裕度之间的数学函数关系如下表所示；

作为本发明的一种优选方案，在补偿评估模块中，由于每个特征集中都有多个特征评估解析表达式，即可产生多个不同的TSM值，每个特性集最终的输出结果由式(7)结合所有的特征评估结果综合决定，最终能够提供更准确结果。

作为本发明的一种优选方案，在补偿评估模块中，对评估结果的补偿规则如式(8)所示。基于此设定，最终本发明在1648总线系统评估的统计准确性测试结果如下表：

相关的测试计算时间如下表所示：

相关测试结果表明，如果在1648母线系统中遇到新的拓扑结构，在线更新阶段可以在9分钟内给出准确的评估结果。如果将电力系统的拓扑记录在已知拓扑列表中，程序可以在0.6秒内给出评估结果。完全能够满足在线评估的要求。

实施例的最终测试结果表明，本发明所提互信息冗余性最优的方法可以更有效、更完整地表示目标类信息，更适用于大规模电网的暂态稳定评估。同时，与其他“黑箱”类人工智能相比，该方法可给出系统变量与系统暂态安稳裕度之间明确的解析表达。当遇到以前未见过的拓扑变化时，所提算法可以使用新获得的示例刷新所选的变量和相应的函数表达式。同时，所提方法具有快速的训练和预测速度，可以满足实时在线使用的要求。此外，算法构建了合理的补偿机制，防止暂态失稳样本被漏判为稳定，可有效防止由暂稳评估误差而造成的失稳严重后果，也更贴合电力系统的实际需求。

Claims (10)

1.一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，其特征在于包括；

基础数据存储平台，该平台基于现场/历史PMU数据，或利用MATLAB和Python程序对电力系统仿真软件PSS/E进行控制，采集不同工作点下的电力系统运行数据，最终获得一个能够近似表征当前电力系统所有运行特征的电力系统大数据集，然后针对每一个工作点，计算其对应的暂态稳定裕度TSM；

暂态稳定特征提取模块，用于提取与暂态稳定裕度相关性最优的特征集，该模块包含一种基于针对信息冗余性的最优算法，该最优算法用于找到一组与系统暂态稳定裕度相关性最大的特征变量集，且变量集中特征相互之间的相关性最小；

拓扑在线更新模块，构建不同变量与对应暂态稳定裕度之间的数学解析关系，对于每个拓扑，记录其获得的暂态稳定裕度函数表达式和相应的参数，如果电力系统中检测到未知的拓扑变化，则根据最新的当前运行情况重新提取特征变量集和构建数学解析关系，生成新的待评估的模型；

评估补偿模块，使用电力系统获得的新变量数据，通过获得的暂态稳定裕度表达式对暂态稳定裕度进行计算，然后对评估结果做适当补偿后，将结果反馈给现场调度人员。

2.根据权利要求1所述一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，其特征在于：

所述基础数据存储平台，利用MATLAB和Python程序采集不同工作点下的电力系统运行数据，包括以下步骤：

步骤a：系统首先随机选取负荷参数的分布函数，同时，利用最优潮流OPF确定实际/无功功率分布和分接开关位置变量，此时，一个初始的系统工作点确定；

步骤b:然后，各个母线上的负荷和发电机出力以其初始工作点为出发点，在±20％范围内连续变化，电力系统仿真软件对设定的每一个系统工作点进行潮流计算；

步骤c:为了突出系统特性，获得更多靠近暂态稳定运行边界的样本点，故障监测点主要设置在区域间的联络线和重负荷线路上；

步骤d:基于给定的故障监测点列表和电力系统运行数据，利用暂态分析软件PSAT对每一种运行状态下的实际切除时间进行设定，对极限切除时间CCT进行求解。

3.根据权利要求1所述一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，其特征在于：所述暂态稳定裕度TSM的计算方法如下：

其中：i为监测点编号，CCT_i为监测点i的极限切除时间，ACT_i为监测点i的实际切除时间。

4.根据权利要求1所述一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，其特征在于：所述暂态稳定特征提取模块，一种基于针对信息冗余性的最优算法，通过式(2)实现：

式中：H(f_i)和H(f_j)分别是第i个特征和第j个特征的熵值，{f₁，f₂，f₃…f_F}为待提取的特征集，F为特征集中的特征数目，MI(f_i，y)表示f_i特征与目标类y之间的“相似”程度，MI(f_i，f_j)表示特征集内部特征间的“相似”程度，具体由下式确定：

其中：f_i,x为f_i的第x个元素，y_x为目标变量y的第x个元素，p(f_i，x)和p(y_x)分别表示f_i，x和y_x的边际概率密度函数，p(f_i,x,y_x)表示它们的联合概率分布，p(f_i,x,f_i,y)表示f_i,x f_i,y的联合概率分布。

5.根据权利要求4所述一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，其特征在于：所述基于针对信息冗余性的最优算法累加搜索流程如下：

(a)：第一个特征选择：每个候选特征与目标类之间的互信息值由式(3)计算得到；为选定的特性创建数据集(D)，并选择MI值最高的特性(f_i,y)作为第一个选定的特性；

(b)：第二个特征选择：第一个选定特征与其他候选特征之间的互信息值由式(4)计算得到；选择MI(f_i,f_j)值最小的特征作为第二个选择特征；

(c)：随后的特征选择：有了这两个选择特征的数据，数据集D中的相关性和冗余分别可由式(3)和式(4)计算得到；此后不断应用如(2)式所示的信息冗余性最优算法，逐项选取子特征；如果已达到选定特征的指定数量，则算法终止。

6.根据权利要求4所述一种基于互信息冗余性最优的大规模电力系统暂态稳定评估系统，其特征在于：所述评估补偿模块，对评估结果做适当补偿，如果获得的稳定裕度值R_ij高于门槛值，说明当前系统离不稳定边界较远，没有补偿的必要，最终结果与评估值相等；若获得的稳定裕度值R_ij低于门槛值，说明当前系统的工作点在稳定边界附近，为了保守估计当前的稳定裕度，补偿算法在评估值前再乘以一个小于1的补偿系数；具体补偿规则如式(5)所示，

式中：R_ij为第i个特征集合中第j个特征变量对应的估计结果，为补偿后的评估结果，ω为补偿系数，T为补偿算法门槛值。

7.一种基于互信息冗余性最优的大规模电力系统暂态稳定评估方法，其特征在于包括以下步骤：

步骤(1)：基于现场/历史PMU数据，或利用MATLAB和Python程序对电力系统仿真软件PSS/E进行控制，采集不同工作点下的电力系统运行数据，最终获得一个能够近似表征当前电力系统所有运行特征的电力系统大数据集；然后针对每一个工作点，计算其对应的暂态稳定裕度TSM；

步骤(2)：通过多次运用信息冗余性最优算法，在电力系统大数据集中，提取M个不同的特征集，每个特征集中有N个变量，这些变量与系统的暂态稳定裕度相关性最大，且同一特征集内的特征之间相关性最小；具体信息冗余性最优算法包含相关性计算，冗余性计算和最优化计算三个部分；

步骤(3)：利用MATLAB中的曲线拟合模块构建所选变量与TSM之间关系的函数表达式；

步骤(4)：当检测到系统拓扑发生变化，则变量与TSM之间将出现新的解析关系，即已有的表达式不再适用；此时需要在新的运行条件下将信息冗余性最优算法过程运用到新的拓扑中，得到变量与TSM的新的关系，实现数据在线更新；

步骤(5)：通过电力系统获得的新变量数据，可以通过表达式直接估计TSM；然后将估计值送入补偿模块，评估结果做适当补偿后，将最终评估值反馈给现场调度人员，以便及时做出决策。

8.根据权利要求7所述一种基于互信息冗余性最优的大规模电力系统暂态稳定评估方法，其特征在于：

所述步骤(3)中的函数表达式，是通过MATLAB曲线拟合工具箱，将特征集中的特征与其对应的暂态稳定裕度放入同一坐标系后，获得的曲线的数学解析表达。

9.根据权利要求7所述一种基于互信息冗余性最优的大规模电力系统暂态稳定评估方法，所述步骤(5)中，利用式(7)计算补偿前的评估结果R_F；

M为所选特征集合的总数，N为每个特征集合中的变量数，R_ij为第i个特征集合中第j个特征变量对应的估计结果。

10.根据权利要求7所述一种基于互信息冗余性最优的大规模电力系统暂态稳定评估方法，所述步骤(5)中，利用式(8)计算补偿后的最终评估结果

式中，为补偿后的评估结果，ω为补偿系数，T为补偿算法门槛值。