基于机器学习的风电系统安全评估方法已成为当下热点，但对样本噪声影响不予以充分考虑，则难以保证系统暂态电压稳定性评估的准确性和可靠性。为此构建抗噪性高斯过程多分类模型（noisy input multi-class Gaussian process，NIMGP），首先，引入稀疏高斯过程，选用诱导点代替部分原输入点进行训练，以降低模型计算的复杂度；其次，对模型中的输入数据引入可加性高斯噪声实现抗噪处理，通过泰勒级数法近似求解含噪声输入的高斯过程，使输入噪声转化为输出噪声、改善模型评估性能。最后，在含风电场的新英格兰39节点系统进行仿真，对系统暂态电压的稳定、临界和失稳状态及稳定样本的稳定裕度进行预测。多种不同工况仿真结果对比表明，NIMGP具有较强的泛化能力、在不同工况下仍有较好的预测精度。
