随着电力系统规模的不断扩大,各类新型电气技术的快速发展,新型电力系统的动态特性愈加复杂,运行方式的时变性、复杂性和波动性更强。这些变化对电网安全风险预测、预警和预案分析能力提出了巨大的挑战。其中,小干扰稳定和振荡问题是新型电力系统中广受关注的稳定问题之一。随着电网数字化和人工智能技术的快速发展,数据驱动的稳定分析模型成为研究热点方向。在小干扰稳定评估中,数据驱动的稳定评估方法可以通过对历史样本的学习,建立从运行观测信息到关键振荡模式的非线性映射模型,是基于物理原理的数值仿真和特征分析等经典方法的有益补充。论文针对经典的电力系统低频振荡评估问题,研究基于深度学习技术的数据驱动小干扰稳定评估模型与方法,将图深度学习技术引入小干扰稳定评估模型,并结合振荡物理机理,对图深度学习技术进行集成改进。论文主要工作如下:首先综合评述图深度学习技术的发展及其应用于电力系统分析领域的国内外研究现状。应用图卷积网络,建立了以稳态运行信息为输入的小干扰稳定评估模型,实现了电网关键振荡模式的映射。通过案例分析表明,利用图卷积技术实现电网拓扑结构在节点特征聚合中的利用,有助于改善深度学习模型的振荡阻尼预测精度。在此基础上,论文根据输电通道负载率与小干扰阻尼之间的强相关性,将刻画节点连接关系的邻接矩阵改进为能够考虑线路功率信息的边特征矩阵,提出改进的边图卷积网络模型,实现节点和支路特征的聚合。同时引入多任务学习,构建多模式并行预测框架,设计了基于边图卷积的小干扰稳定评估模型,显著改善了预测性能。最后,基于小干扰稳定的全局性特征,进一步将图注意力网络与边图卷积模型集成,提出考虑边信息的多跳注意力网络模型,改善更大范围内高阶邻域特征的聚合效果。通过算例对比表明,边图卷积和多跳注意力集成模型可以提高部分区域间振荡模式的预测精度,改善模型对系统拓扑变化的适应性。论文研究为数据驱动的大电网振荡特性的预测和评估提供了技术路线上的有益借鉴和参考。