1.一种针对错判的图卷积网络暂态稳定评估方法，其特征在于，包括以下步骤：步骤1：模拟电力系统不同运行场景构建样本集；

步骤2：获得改进后的自适应图卷积网络GCN；

步骤3：基于改进后的自适应图卷积网络GCN建立评估模型，进行离线训练；

步骤4：在在线应用过程中，通过构建辅助决策模块对模型得到的稳定类别与稳定水平进行协调，判断电力系统的真实运行状态；

在步骤1中，对样本集的构建具体包含以下步骤：

步骤1-1：模拟电力系统运行场景，选择模型的输入特征；

步骤1-2：构建样本的稳定评价指标；

在步骤1-2中，每个样本赋予两个稳定性标签，为暂态稳定指标TSI和稳定水平指标SLI，定义如下：（1）；

（2）；

式中：为任意两台发电机之间的功角差的绝对值；当>180°，即TSI<0时，系统暂态失稳，标记为c=[1,0]，反之，标记为c=[0,1]；为一个稳定阈值，SLI的取值范围为[-1,1]。

2.根据权利要求1所述的方法，其特征在于：在步骤1-1中，模拟电力系统在发电机及负荷正常波动下发生N-1三相短路故障，将故障发生后第一个周波内的母线电压幅值和相位角、负荷有功和无功以及发电机有功和无功的采样数据作为输入，构建特征矩阵。

3.根据权利要求1所述的方法，其特征在于：在步骤2中，改进的神经网络自适应图卷积网络GCN具体为：输入层→第一图卷积层→第一反残差模块→第二图卷积层→第二反残差模块→第三图卷积层→第三反残差模块→输出层。

4.根据权利要求3所述的方法，其特征在于，图卷积层数学表达式如下：（3）；

（4）；

式中：、分别为第r+1与第r节点特征；为函数运算；为相关矩阵；为非线性运算；为归一化后的相关矩阵；为学习运算矩阵；

图卷积层在使用时，首先，由第一图卷积层与第一反残差模块对通道进行扩张，达到升维效果；然后，由第二图卷积层与第二反残差模块对每个特征通道独立进行二维卷积运算，该过程通道数不变，特征图尺寸变小；最后，通过第三图卷积层与第三反残差模块进行维度还原，输出特征图；经过反残差模块的维度扩充、深度卷积、维度还原后，提升特征图的表征能力。

5.根据权利要求1所述的方法，其特征在于：在步骤3中具体包含以下步骤：步骤3-1：基于改进后的自适应图卷积网络GCN构建评估模型；

步骤3-2：添加稳定类别评估模块SCAM和稳定水平评估模块SLAM，减少错判发生率；

步骤3-3：建立联合稳定类别评估模块SCAM和稳定水平评估模块SLAM的损失函数，提高模型评估精度。

6.根据权利要求5所述的方法，其特征在于：在步骤3-1中，自适应图卷积网络GCN以经过反残差模块特征选择后的特征信息作为输入，其包含初始节点特征矩阵和初始邻接矩阵，其中为样本数量，为特征维度，将邻接矩阵设置为参数自适应更新，通过自适应调整邻域节点的权重可以更好的拟合实际电力系统中的拓扑结构变化，图卷积层的计算公式如下：（5）；

式中：为节点特征；为邻域聚合信息；“”为沿着特征维度进行拼接；为权重矩阵；为非线性激活函数；为节点特征矩阵，GCN网络输入层有N个节点，对应电力系统中的节点数。

7.根据权利要求5所述的方法，其特征在于：在步骤3-2中，在自适应图卷积网络GCN下端连接由自编码器构成的SCAM与SLAM，SCAM对稳定性类别进行判断，SLAM估计稳定性水平，两个模块的表达式如下：（6）；

（7）；

式中：为第i个样本的置信度；为SCAM模块的输出；为SLAM的输出；为暂态稳定性水平。

8.根据权利要求5所述的方法，其特征在于：在步骤3-3中，损失函数包含了SCAM、SLAM和一个正则化项，如下式：（8）；

（9）；

（10）；

式中：为正则化系数；为正则化；为标签的类别；为第n个样本标签的置信度；为了降低样本不平衡对评估的干扰，稳定样本的损失函数系数设置为1，失稳样本设置=稳定样本数量不稳定样本数量；为总样本数量；为第n个样本的预测SLI；为第n个样本的真实SLI，在训练过程中，利用Adam优化损失函数。