该文根据最小割的原则,对电力网络进行划分,以区域为单位,提取各区域母线和线路运行数据的统计量,作为暂态稳定评估问题的输入特征变量,从而有效避免了采用单机特征造成的,随系统规模增大出现的"维数灾难"问题.考虑到常规暂态稳定评估只能解决二分类问题,定义了一个能够综合反映特定运行方式下电力系统整体暂态稳定水平的连续指标,为稳定等级的比较和分类提供了客观依据.电力系统中收集到的海量数据,虽然为数据分析提供了足够大的样本空间,但在客观上也增加了暂态稳定评估的难度和所需时间,使问题的处理变得不可行.因此在评估之前,我们尝试使用数据预处理技术来改善数据质量,降低实际评估所用的时间,提高挖掘的精度和性能.一方面,鉴于电力系统的运行具有一定的规律性和重复性,实际系统中包含模糊信息的数据大量存在以及计算机的并行处理能力,借助模糊聚类分析将原始数据分成几个样本数量大为减少的数据子集.顾及暂态稳定评估有限模式分类的特点和各种特征变量对聚类结果的影响,引入权重迭代法和信息增益法来确定特征权重,使模糊聚类法更适用于电力系统暂态稳定评估.另一方面,为了有效降低待分析数据的维数,着重研究了暂态稳定评估的特征提取方法.电力系统的运行是一个动态过程,实时数据在不断地积累,本文利用递归的主成分分析进行动态特征变量的提取,以防止由于数据变化而评估模型不变造成的评估误差.针对传统主成分分析在数据标准化和线性化方面的局限导致的结果偏差,制定了均值标准化和对数中心化等改进措施.最后利用遗传算法的全局寻优能力,对主成分分析得到的结果进行特征选择,搜索出最优的特征组合.对经过数据预处理的运行数据,引入数据挖掘理论电的关联规则分析,给出一种新的分类方法—关联分类法,进行暂态稳定评估.这种方法不依赖于任何数学解析方法,完全从运行数据出发,可避免大多数模式识别方法中存在的模型参数设置困难问题,还可以对字符型数据进行分析,这是大多数模式识别方法所不具备的.关联分类法是一种基于模式识别理论的方法,针对这类方法在暂态稳定评估中存在的结果不可靠问题和电力系统运行的时变性特点,本文提出了相应的改进方法.一是对关联分类法中存在无法正确分类的样本,先利用暂态稳定指标将它们辨识出来,接着根据每个样本临界稳定程度的不同,分别采用Taylor级数法和时域仿真法进行状态确定,以保证最终全部结果的准确无误;二是针对电力系统运行的时变性特点,将时间维度引入暂态稳定评估,给出建立在时间序列分析之上的关联分类分析的改进算法,从而挖掘出电力系统的运行方式改变与暂态稳定程度改变之间的内在联系.