电力系统暂态稳定评估是保障电力系统安全稳定运行和提高系统运行经济效益必须考量的重要问题之一。电力大数据时代的到来和广域测量系统(Wide Area Measurement System,WAMS)的广泛应用,为基于系统实时响应信息的暂态稳定评估提供了丰富的数据来源。人工智能和深度学习的发展为更好地挖掘系统响应信息与系统稳定状态之间隐藏的映射关系提供了新的技术路线。如何让人工智能和深度学习更好地服务于电力系统领域,已经成为专家学者热议的话题。卷积神经网络(Convolutional Neural Networks,CNN)是深度学习的一种具有深层架构的神经网络模型,它具有强大的特征表达能力和处理高维非线性数据方面的优势,已经在图像识别等领域得到了成功应用,但是在电力系统暂态稳定评估中的应用仍处于起步阶段。因此,本文对该研究领域进行了探索和更为深入的研究,从暂态稳定分析的实际应用需求出发,将研究重点聚焦在实际工程应用亟待解决的关键问题,提出了适用于电力系统实际应用的在线实时暂态稳定评估方法。论文主要研究内容如下:(1)针对电力系统暂态稳定评估问题,提出了一种基于单一CNN模型的暂态稳定评估方法。在输入特征方面,构建了基于系统故障切除后发电机功角动态响应轨迹簇的27种几何特征作为暂态稳定评估模型的广域故障特征;在评估模型方面,选用了对输入数据特征具有强大处理能力的CNN模型作为暂稳评估模型。分析了CNN模型的基本工作原理,研究了不同卷积核的阶数、训练的批样本数、迭代轮次和改进损失函数对单一CNN模型评估性能的影响,验证了所提模型的适用性和有效性。并且考虑实际在线应用中可能存在噪声和不完全WAMS信息的情况,对所提CNN暂稳评估模型的鲁棒性进行了测试和分析,验证了基于所提轨迹簇特征的CNN暂稳评估模型具有较强的鲁棒性,能较好地满足电力系统暂态稳定评估的需求。(2)针对现有模型对预测结果中失稳样本被漏判为稳定样本的情况重视不足的问题,提出了一种计及漏判/误判的集成CNN模型的电力系统暂态稳定评估方法。利用原始量测数据和轨迹簇特征计算方法,提取多种输入特征集,并在每种输入特征集下选取评估准确率高的若干组CNN参数,通过概率平均的集成学习策略建立集成CNN模型。通过对损失函数权重系数比、二分类阈值和集成学习策略等三个方面因素的优化组合,提出了一种计及漏判/误判的综合评估判据,使得集成CNN模型的评估性能在维持可以接受的稳定样本的误判率下,尽可能地减少失稳样本的漏判率,从而提升了模型的实际应用价值。(3)为了兼顾暂稳评估模型的快速性和准确性,提出了一种两阶段集成CNN模型的电力系统暂态稳定评估方法。在暂稳预测环节,提出了一种可信度阈值优化的分层实时预测和基于多判据融合的紧急控制启动策略相结合的两阶段暂稳预测方法,该方法可以显著降低实际启动紧急控制的误判样本,以最低的代价减少甚至消除漏判,提高了基于人工智能暂态稳定预测方法的快速性和准确性;在暂稳程度评估环节,通过构建稳定程度和失稳程度回归预测模型,分别对分层预测输出的确定稳定样本和满足紧急控制启动条件的确定失稳样本进行暂态稳定程度和失稳程度的评估,进一步提高了评估精度,为后续预防控制和紧急控制措施的制定提供有益参考。(4)针对现有评估模型缺乏自适应能力的问题,提出了一种基于迁移学习和CNN的电力系统暂态稳定自适应评估方法。该方法涵盖了一种基于CNN知识迁移的有效方案和一种面向迁移学习的最小均衡样本集生成方法,可以大幅减少新样本的生成时间和模型更新的训练时间,提高在线运行时评估模型的自适应更新速度。首先利用离线生成的大量暂稳样本训练得到基于CNN的预训练模型。当系统运行方式和拓扑结构发生较大变化时,保持CNN预训练模型的网络结构和卷积层、池化层、全连接层的网络参数不变,仅随机初始化分类层的参数,用变步长和二分法相结合的方法生成面向迁移学习的最小均衡样本集用于训练分类层参数,从而实现不同运行方式和拓扑结构下电力系统暂态稳定的自适应评估。该方法不仅适用于单一CNN模型,也适用于集成CNN模型,且能与本文所提基于滑动时间窗输入特征的分层暂稳预测和暂稳程度评估方法配合使用,实现在线连续的暂态稳定自适应评估。