中文摘要：

随着电网运行监测的完善，如何从海量实时采集数据中快速、动态地提取出与电网安全强相关的少量特征数据，进而及时准确地识别系统安全隐患或故障已成为电网运行中急待解决的突出问题。这一问题的解决必须依靠计算机在线辅助决策支持系统采用智能化更强的模式识别技术，通过有效识别样本数据的内禀结构和特征，自适应的发现新模式和动态提取关联特征。本项目选择电网在线安全状态评估和故障识别问题为应用对象，综合知识工程领域在复杂系统信息提取方面的最新研究成果，针对基于数据驱动的模式发现和输入特征提取两大核心问题展开模型和算法研究，内容包括（1）混合数据样本空间内基于改进留数分析和聚类依存度量测的电网安全状态模式发现模型和算法研究；（2）基于非线性关联分析和最优特征集识别的输入空间分步裁减模型和主导关联特征提取的迭代优化算法研究。研究成果将有力促进电网智能在线决策支持系统核心算法和模型的发展。

结论摘要：

本项目选择电网在线安全评估和安全隐患识别问题为研究对象，研究了从海量实时采集数据中快速、动态地提取出关键特征，进而构造稳定评估和安全隐患识别模型的关键智能模式识别算法。项目研究提出了基于遗传算法与k阶近邻法（k-NN）相结合的嵌入式特征选择算法，分别实现了基于稳态运行信息和动态信息的稳定评估关键特征集的选取。项目改进并实现了模式发现算法，结合决策树理论，可以客观地生成暂态稳定评估规则。项目提出了一种基于扩展k阶近邻法的电力系统稳定评估策略，可以采用模式发现算法获取样本的空间分布知识，取代原始样本来实现未知样本的分类。应用于暂态稳定评估中实现了各种方式下稳定水平的正确判别。在多个IEEE测试系统的应用均证实了所提算法的有效性。论文研究成果不但为大电网动态安全评估和决策控制提供了新实现模式，而且所提出的算法作为一种通用的知识获取工具有广泛的应用前景。