1.一种电力系统暂态稳定结果的特征提取和聚类分析方法，其特征在于，包括以下步骤：步骤1对暂态稳定的特征数据进行归一化的预处理，以对数据进行聚类；

步骤2将预处理的数据利用改进的聚类算法进行特征提取和异常点判断；

步骤3对聚类效果进行有效性评价；

步骤4将从瞬态稳定中提取的数据特征结合地理位置信息进行分析，在步骤1中，归一化的特征数据预处理采用联合归一化方法，先后对列向量、行向量以最值法对其进行归一化处理；

在步骤2中，所述特征提取包括数据降维和高质量聚类两个步骤；

在步骤3中，通过轮廓系数对特征提取的聚类效果进行评价；

在步骤4中，在经典弹力模型图布局的基础上引入力导引模型，对图中节点地理位置进行调整；

在步骤2中，具体包括以下步骤：

步骤2‑1：对K‑means聚类算法运用统计学的线性回归和残差分析进行改进，根据标准化残差落点范围求取异常值从而得到聚类中心，且通过逆映射求得集群数目K，得到聚类数和聚类中心自确定的K均值算法即CANCS K‑means算法；

步骤2‑2：高质量聚类通过对由CANCS K‑means算法得到的新聚类再采用限定类之间直径来重新聚类；

在步骤2‑1中，在处理CANCS K‑means算法时步骤如下：(1)输入待聚类的数据集S＝{x1,x2,...,xN}；

(2)将数据集S采用联合归一化方法进行标准化预处理，得到标准化的数据集(3)根据局部密度公式 及样本间欧式距离公式 求出中每一个数据对象的局部密度ρi和样本对象 到具有比它更高局部密度样本对象间的最近距离 k0_distancexi表示和样本对象xi最相邻的k0个对象的欧氏距离的和，其中ko＝n×4％，当n小于100时，k0取3；

*

(4)令ρ＝1/ρ，运用线性函数 去拟合ρi和δi的关系；a0为线性常数，a1为线性系数；

(5)计算每一个σi的残差 并将所有残差进行标准化处理，即将每一个残差除以它们的标准差；δi和 分别是xi对应的距离响应值和拟合值；

(6)在处理后的标准化残差中，筛选出残差绝对值大于3的数据,则这些点所对应的中的数据对象即为要寻找的聚类中心；

(7)以得到的数据对象为初始聚类中心ci，对 中的数据进行K‑means聚类操作；

*

(8)输出聚类结果 k为聚类数，ci为第i个聚类；

在步骤2‑1中的步骤(7)中，在对 中的数据再进行K‑means聚类操作时，采用以下步骤：

1)根据自动确定的聚类中心作为初始聚类中心；

2)利用公式 计算数据集中每个样本 到聚类中心ci的距离；

3)找到每个样本点到聚类中心ci的最小距离，并将样本点归类到对应的集群中；

4)再次计算同一类新的聚类中心 更新聚类中心；

5)重复以上步骤2)至步骤4)，直到所有的聚类中心点不再发生变化或者达到最大运行次数。

2.根据权利要求1所述的一种电力系统暂态稳定结果的特征提取和聚类分析方法，其特征在于，在步骤2‑2中，高质量聚类算法步骤如下：*

(1)从K个集群的聚类中心列表中选择一个聚类中心ci；

(2)确定集群中每个节点与该聚类中心的欧式距离，如果距离小于预先指定的质量阈值距离，则将这两个节点聚集在一起；

(3)将依次选择该集群中的节点执行上步步骤(2)，直到遍历该集群中的所有节点得到新的集群，重新计算集群数据平均值得到新的聚类中心c′i；

(4)选择第二个候选聚类集群，重复步骤上述步骤(2)、步骤(3)，直到K个集群都重新归类计算得到新的聚类中心和集群，而集群个数不变。

3.根据权利要求1所述的一种电力系统暂态稳定结果的特征提取和聚类分析方法，其特征在于，在步骤3中，对于样本xi的轮廓系数Sil定义为：其中：ri表示每个聚类中样本个数，a(xi)表示样本xi到聚类中剩余样本的平均距离，b(xi)表示样本xi到其他聚类中样本的平均距离最小值，对于整个数据集，则可以通过平均轮廓指标来评价聚类结果有效性，表示如下：其中：N表示数据集样本大小，且 若 越接近1，聚类效果越好。

4.根据权利要求1所述的一种电力系统暂态稳定结果的特征提取和聚类分析方法，其特征在于，在步骤4中，对图中节点地理位置进行调整，步骤如下：(1)给所有的点一个初始的随机位置；

(2)首先计算节点之间相互排斥力，然后计算图中有边连接的节点相互吸引力，最后综合吸引力和排斥力，通过力的作用调整布局中节点的位置；

(3)重复上步步骤，直到网络区域平衡，或者迭代达到一定的次数。

5.根据权利要求4所述的一种电力系统暂态稳定结果的特征提取和聚类分析方法，其特征在于，在步骤4的步骤(2)中，采用FR算法调节节点位置，具体采用以下步骤：

1)计算网络平衡距离；

2)计算节点之间的几何距离；

3)获得相邻节点之间的吸引力函数；

4)获得相邻节点之间的排斥力函数。