安全稳定水平的评估和控制是电力系统运行调度的核心问题。目前电网主要依靠大量的故障仿真计算来进行安全扫描和评判。对于结构庞大,设备众多,负荷需求和发电机出力处于不断变化中的大电网,这种故障枚举式的仿真分析方法不仅始终难以克服计算量巨大的瓶颈,也无法提供改善安全稳定性的有效控制措施信息,不能满足大电网运行调度中的智能决策支持需求。基于人工智能的安全稳定评估方法为在线稳定评估提供了一种新的思路,该方法具有学习能力强、评估速度快、能提供清晰和易于理解的稳定判别规则而被认为是一种非常有前景替代人工经验实现电网智能决策分析的有效工具。然而,在基于人工智能方法的稳定评估中,如何选取有效表征系统状态的特征集作为稳定分类器的输入量是影响稳定评估精度和速度、以及稳定判别规则推广能力的关键因素。本文围绕智能稳定评估关键特征的识别为中心展开研究,主要研究工作包括:综合分析了各种特征选择算法的优缺点,提出了基于蚁群优化算法和k近邻算法相结合的嵌入式特征选择算法。通过在蚁群算法中嵌入局部细化搜索环节来避免在特征搜索过程中增加与分类无关的特征、或者与已有特征集强相关的冗余特征,并通过人造数据来验证算法的有效性。以故障后的动态特征量作为候选特征集,提取与稳定强相关的关键动态特征量。分析算法提供的多组最优特征集,提取了适合不同网架规模的最优关键特征子集。以最优特征子集作为稳定评估分类器的输入特征量获取稳定判别规则树,分析了在不同网络规模下所获取稳定判别规则的相似性和特异性。以稳态潮流信息量作为稳定评估的候选特征集,提取与稳定强相关的关键静态特征子集,分析了离散化对特征选择结果的影响,并通过定义分散系数来避免离散边界对特征分析的影响。在生成稳定判别规则过程中,通过定义一个模糊稳定区域来避免电力系统稳定评估中漏报警情况的发生。本文的研究工作获得了国家自然科学基金项目(50407014)的资助。