电力系统暂态电压与功角混合失稳下的主导失稳模式(dominant instability mode

DIM)识别对制定快速调整措施至关重要。然而，现有数据驱动方法因拓扑变化适应能力不足，导致识别精度下降甚至失效。由此，该文提出一种适应拓扑变化的数据驱动DIM识别方法。首先，提出基于K-means聚类和多随机卷积核变换的DIM高精度智能识别基础模型，利用K-means自适应选取关键暂态曲线，基于多随机卷积核变换表征暂态曲线斜率、失稳持续时间等重要DIM判断特征，从而适应拓扑变化并高效提取暂态曲线时序特征。其次，针对单个基础模型输出不确定性、可信度不足问题，提出基于Bagging集成学习和误差-分歧分解理论的DIM智能识别框架，自适应最优选择多个基础模型共同决策，提高结果的稳定性和可信性。最后，在中国电力科学研究院有限公司36节点系统及其修改系统、某实际电网8 897节点系统上的算例分析表明，所提方法可在保证较高DIM识别精度的情况下适应拓扑变化，验证了方法的有效性。