发展高比例可再生能源电力系统已成为我国乃至世界的必然趋势。由于风、光等能源的随机波动特性,电力系统不确定性激增,电网运行状态复杂多变,威胁电网可靠经济运行,甚至引发大停电事故。电力系统潮流分析（包括潮流计算与最优潮流计算）是保障电网可靠经济运行的基础分析工具。然而,为及时有效地应对强不确定性的重要影响,电力系统潮流分析计算频次激增:一方面,为有效考虑各类不确定性因素,需引入海量场景,执行潮流分析,计算负担重;另一方面,风、光等的随机波动与间歇性导致上述海量潮流分析的计算时间间隔从天、小时级细化为分钟级。高额计算负担与高频计算需求间的矛盾对现有潮流分析方法提出新的挑战。基于数据驱动的深度神经网络具有高维复杂非线性特征逼近能力强、在线计算速度快（输入直接映射至输出）的特点,为解决上述矛盾提供了新契机。为此,本文围绕“基于深度神经网络的电力系统潮流分析快速算法”展开研究,探究了该方法在大电网可靠性评估中的应用,具体包括:1、提出适应于电力系统源/网/荷变化的数据驱动潮流模型,为构建有效挖掘电力系统潮流特征的深度神经网络奠定模型基础。首先,提出能有效表征源/网/荷变化的低维特征向量,所提特征向量维度随系统规模仅呈线性增长,且可将拓扑变化离散型变量转换为连续变量,有效表征线路开断状态及其对潮流分析的重要影响。然后,根据深度神经网络的学习过程,考虑电力系统潮流分析输入输出性质不同、变化范围不一等数值特点,搭建深度神经网络潮流分析模型,实现电力系统基础潮流分析的快速计算。2、为提高训练效率和潮流计算精度,提出潮流模型引导的深度神经网络高效训练方法。首先,基于信息传递原则,推导面向潮流分析的深度神经网络参数初始化方法;同时,基于支路交流潮流方程,构建综合考虑数据间物理联系与数据逼近程度的综合损失函数,并进一步提出考虑输电网物理特性的深度学习算法,可提高深度神经网络训练效率、缓解过拟合问题,提高数据驱动的潮流计算精度。3、针对最优潮流大规模约束导致的高额计算负担,提出面向安全约束最优潮流的深度神经网络学习方法。首先,提出基于深度神经网络的安全约束最优潮流计算框架,利用堆栈降噪自动编码器智能辨识稀疏的起作用约束,在确保精度的前提下,大幅提高计算效率;针对深度神经网络泛化能力难以有效应对电网拓扑结构变化等演变场景的难题,提出基于迁移学习的深度神经网络快速更新策略,实现演变场景的快速、高效计算。4、针对大电网可靠性评估计算负担重的难题,本文从“复杂特征提取-计算精度保障策略”两方面出发,提出基于数据驱动潮流分析的大电网可靠性高效评估方法。首先,基于数据驱动潮流分析方法,构建大电网可靠性评估框架,将可靠性评估的复杂映射特征拆分成若干子任务,降低学习复杂度,并缓解切负荷样本不平衡问题。提出切负荷敏感型损失函数等学习策略,提高深度神经网络对切负荷样本的敏感度。其次,提出基于样本相似性的深度神经网络适应性准则,鉴别样本是否适用于深度神经网络分析,确保计算精度;基于理论推导和规则设计,提出针对深度神经网络输出误差的修正策略,为数据驱动大电网可靠性评估工程应用提供计算精度保障。综上所述,本文提出了基于深度神经网络的电力系统潮流分析快速算法,并研究了该方法在大电网可靠性评估中的应用,解决了“高维复杂非线性特征提取-电网演变场景更新-数据驱动计算精度保障”三方面的难点,本文采用数据驱动方法解决电力系统潮流分析的计算瓶颈,具有良好的工业应用前景。