高比例新能源接入的现代电力系统越来越接近系统运行的极限,从而使电力系统暂态稳定面临着更严峻的挑战。及时有效的暂态稳定分析策略能够为电力系统暂态稳定运行及防控策略的实施提供有力帮助,能够避免故障规模进一步扩大甚至发生大范围停电事故。而随着广域测量系统和通信技术的发展,人工智能方法可以加速复杂电力系统暂态稳定分析的过程,因此,研究基于数据驱动的电力系统直接法暂态稳定分析具有重要的现实意义。论文的主要研究内容分为以下几个方面:（1）为解决直接法暂态稳定分析中计算不稳定平衡点复杂并耗时的问题,提出一种基于PSO-MSVR方法的电力系统暂态不稳定平衡点预测方法。首先,采用BCU方法计算系统不同运行方式下的不稳定平衡点作为样本数据集;然后,利用MSVR方法构建系统稳态运行信息到不稳定平衡点间的映射关系,其中MSVR方法中的参数由PSO算法进行寻优,以实现更精确的预测效果;由此得到电力系统不稳定平衡点的预测模型,仿真结果表明该预测模型可以实现快速的不稳定平衡点预测并具有较高的准确度。（2）针对直接法暂态稳定分析中Lyapunov函数构造的难题,提出了一种基于神经网络的Lyapunov函数构造方法。首先,利用神经网络通用函数逼近器的特性,基于神经网络进行电力系统Lyapunov函数的构造,该策略分别由一个函数学习器和一个快速引导函数学习器找到所需函数的证伪器组成;基于构造出的Lyapunov函数可以获得由函数最大水平集表示的稳定域边界。在单机无穷大以及IEEE三机九节点系统上的仿真验证了该策略的有效性,并分别分析了不同参数对自身稳定域及在多机系统中对其它机组稳定域的影响。（3）风电出力的波动性会引起系统不稳定平衡点的变化,针对风电虚拟同步发电机并网系统提出了不稳定平衡点的计算方法。首先,建立了直驱风机系统各个部件和虚拟同步发电机控制的数学模型;基于虚拟同步发电机的动态方程,构建该系统的能量函数表达式;考虑风机出力波动性的影响,在PSO-MSVR方法的基础上建立了风电虚拟同步发电机并网系统不稳定平衡点预测模型,仿真结果验证了该方法的正确性。