随着大规模可再生能源、柔性负荷等新型元件的增长和电网互联规模的不断扩大，电力系统的安全稳定分析和调度运行面临更为严峻的考验。电力市场化使得系统运行越来越趋近于其稳定极限，系统稳定水平下降；交直流互联大电网偶发性极端事件造成的功率转移，极易引起相继故障，可能造成低频低压减载、系统解列等负荷损失。
传统的电网监测系统难以及时获取系统动态信息，电网的暂态稳定分析通常针对预想故障集进行离线数值仿真，然后给出辅助决策，进而通过调度员凭自身经验进行最终操作。当前电网复杂多变的运行方式，使得离线分析难以覆盖所有运行工况，采用在线分析也面临故障集筛选和实时性等问题。同时，要求调度员在电网遭受大扰动后，尤其是不可预见的相继故障后在短时间内进行分析决策也是不现实的。
基于数据驱动的电力系统暂态稳定评估方法相比于基于模型的数值仿真更有助于发现未知规律、获取新的经验。随着智能电网的建设，全国各级电力调度中心信息化水平逐年提高，积累了大量的调度运行数据。
国家电网调度中心在线安全稳定分析每15 min进行一次全面的安全稳定评估，计算数据量约为1GB，日均累积数据量达96GB；而国家电网公司信息系统灾备中心的数据总量更是接近15PB，这些海量数据中蕴藏着丰富的信息。传统的数值仿真所发现的规律具有强因果关系，其结果依赖于模型本身的精确程度；而从数据中抽取的信息具有一定统计学规律，可发现某些原理不明却客观存在的“事实”，也称之为“知识”。
针对如何从大量数据中有效提取知识，国内外学者进行了深入的研究。其中较为常见的方法有神经网络法、支持向量机和决策树等，这些方法对数据的处理分析各有特点。
神经网络法复杂度较高，计算量大，耗时长。支持向量机算法中相关知识表达较复杂。决策树算法由L.Breiman等于20世纪80年代提出，具有算法简单、易于理解、可解释性强等特点，在医学、金融及电力系统决策分析等领域均有大量的应用。决策树训练完成后，仅需根据各路径节点依序判断即可获取预测结果，常被用于电力系统稳定评估等在线应用。
文献[14]通过比较PMU数据更新时间与决策回归树（CART）的结果预测时间，表明算法的效率适用于在线应用。文献[22]通过模拟实际电网的动态安全评估，验证了决策树算法在线应用的可行性。
目前电力系统所应用的决策树一般是单属性决策树，即每个判断节点依靠单个变量将样本进行分类。但实际电网中，某些物理属性间的联系是非常紧密的，而单属性决策树无法体现这一规律；并且，现有决策树只判断系统是否稳定，缺乏对稳定性的量化指标描述，普遍存在因失稳样本过少而导致的过拟合现象。
文献[17]提出了一种基于二维组合属性的决策树算法并用于电网稳定评估，每个节点的判断条件是两个属性的线性组合，但属性组合方式的获取需经过大量测试和筛选，算法复杂度较高。文献[21]提出了基于线性分类器的决策树算法，理论上可以发现任意属性间的组合关系，但进行数据预处理时属性组合种类过多，需要根据以往的运行经验进行人为干预，耗时将大大增加，且无法保证获取最有效的属性组合。
本文基于暂态稳定裕度指标，利用数据挖掘技术研究电网运行状态与故障后系统稳定性间的关联关系。首先利用互信息对原始属性进行初筛，得到与稳定性关联较大的输入特征集；然后通过线性判别分析方法（Linear Discriminant Analysis,LDA）对所选属性进行最佳投影，得到相应属性间的最佳组合特征；最后通过裕度指标离散化和样本训练得出稳定关联规则，并通过对决策树的回推分析获取提高系统稳定性的运行方式调整策略。
所述方法能够建立电网运行状态与系统稳定裕度间的直接关系，为电网稳定评估和运行方式调整提供精细化规则集。
图3 决策树示意图
图5 数据样本获取流程
图8 决策树实例
