电力系统的安全稳定运行关系着国计民生,电力系统的在线安全评估问题一直是专家学者们的研究重点。随着我国电网的飞速发展,电网规模不断扩大,潮流分布的不确定性逐渐增大,稳定性问题复杂多样,对电网的在线安全评估和实时调控能力提出了更高的要求。传统的依据人工经验以及在线仿真计算的安全生产方式,难以满足对调度控制能力的更高的要求。依托于通信、计算机技术的发展,以及累积的电力大数据,机器学习方法为电力系统在线安全评估提供新的发展方向。本文在学习研究前人工作基础上,将关联规则方法应用于稳定运行规则的发现和提取中,发现系统稳定运行状态与稳定程度之间的关联关系。这种关系可能被运行人员熟知,也可能是未被发现的潜在规律。本文的具体工作如下:首先,本文通过提取电力系统的静态特征量,和基于预想故障仿真分析得到的稳定水平,整理成稳定评估数据库。分别应用随机森林算法和XGBoost算法进行特征提取,比较两种集成学习算法在特征提取过程中的模型和结果的区别。依据稳定样本数据不平衡的特点,选择XGBoost算法提取关键特征。并利用PSD-BPA仿真软件,对IEEE39节点系统进行批量仿真分析,生成海量样本集,验证了提出的特征选择方法的有效性。然后,本文提出基于加权k-means聚类结合信息增益的特征离散化算法。由于本文构建的样本集的输入特征大都是连续型特征量,而关联规则模型需要基于离散的数据进行分析。因此,本文将特征重要性评分引入离散化算法,作为k-means聚类算法的特征权重,改进后的离散化算法考虑了特征对聚类结果影响的重要程度以及特征之间的关系,可以得到更合理的离散结果,通过IEEE39节点系统仿真验证方法的有效性。最后,将关联规则FP-Growth算法应用于电力系统的稳定运行规则的提取。基于前面的数据处理工作,提取出用于电力系统稳定评估的运行规则。在利用IEEE39节点系统仿真验证的同时,整理实际大电网在线安全评估系统的历史数据,考虑静态安全约束和动态安全约束条件,生成系统稳定运行规则。