电力系统暂态稳定评估和风电功率预测是保障电力系统安全性和提升电力系统经济性方面的两个重要问题。数十年来,业界对二者进行了持续研究,并取得了丰硕成果。当前,电力系统的新发展对暂态稳定评估和风电功率预测提出了更高要求,已有方法在适用范围、评估及预测的准确度和精确度等方面面临严峻挑战。深度学习的发展为二者的突破提供了新的可能,基于深度学习的电力系统暂态稳定评估和风电功率预测研究已经成为电力系统研究领域的前沿课题。本文对此进行了深入研究,主要工作及成果归纳如下:提出了一种基于深度置信网络的电力系统暂态稳定评估方法。该方法利用深层结构有效挖掘数据的隐藏模式,为暂态稳定评估提供知识基础。评估模型的训练不仅涉及利用标注数据的监督训练,而且还包括利用无标注数据的无监督训练,有助于模型泛化能力的提升。算例仿真结果表明,该方法具有评估准确率高、容错能力强、样本时域仿真耗时短等特点。提出了一种基于堆叠自动编码器的电力系统暂态稳定评估方法。该方法突破了传统的两阶段评估模式,对“特征提取”和“分类评估”进行了有机融合,实现端到端的暂态稳定评估。该方法摆脱了对人工提取特征的依赖,依靠深层网络自动从底层量测数据中提取特征,很大程度上保障了信息的完整性。此外,为了减轻模型的过拟合,在模型的训练中加入稀疏性约束和Dropout技术。算例仿真结果表明,该评估方法能够直接面向相量测量单元(PMU)量测数据,评估准确率高,能较好地适应电力系统的暂态稳定评估需求。提出了一种基于深层稀疏去噪编码网络的电力系统暂态稳定评估方法。针对不同量测数据的不同物理本质,该方法提出了一种具有多分支结构的深层网络模型。借助不同稀疏去噪编码网络(分支)从各种量测量中分别提取特征,并在模型顶部进行融合,最终完成暂态稳定评估结果输出。算例仿真结果表明,该评估方法能够有效处理多种量测量的同时输入,评估准确率高,噪声环境下的鲁棒性好等优点。同时,与普通全连接网络相比,该模型结构更为简洁,计算复杂度较低,能够较好地适应较大规模电网的暂态稳定评估需求。提出了一种计及空间相关性的多位置风速预测方法。针对风速的空间相关性,利用可视化手段进行了直观分析,并建立了对多位置风速预测问题的一般性数学描述。立足时空序列的本质特点,提出“先提取空间特征,后建立时间联系”的两阶段建模策略,并构建了基于卷积神经网络的风速预测模型。该模型能够直接接收二维矩阵输入,在很大程度上避免了空间信息的损失。算例仿真结果表明,该方法能有效利用空间相关性提高风速预测精度,在总体平均性能和个体误差控制能力上均优于常规的机器学习类风速预测方法。提出了一种利用时空相关性的多位置多步风速预测方法。针对风速的时间相关性和空间相关性,利用采样交叉函数对二者从数学角度进行分析。将多位置多步风速预测问题建模为一个时空序列预测任务,并给出该问题的一般性数学描述。利用空间模型提取时空序列的空间特征,并利用时间模型建立各空间特征间的时间联系,最终达到时空信息联合学习的目的。算例仿真结果表明,该方法能通过空间模型和时间模型的相互协作,提高风速预测精度。并且,该模型规模不随时间长度序列变化,理论上能够利用任意长度的历史序列信息,具备良好的可扩展性。提出了一种基于多模态多任务学习的风电功率预测方法。对考虑多源异质信息的风电功率预测问题进行讨论,并给出了该问题的一般性数学描述。采用多模态学习策略促进输入变量间的信息共享,同时利用多种量测共同为风电预测服务;采用多任务学习策略整合多个时刻的风电功率预测任务,使模型具备风电序列预测能力。为有效确定模型超参数,采用正交试验开展模型选择,能显著缩小超参数寻优空间,节省计算资源。算例仿真结果表明,该方法能有效利用多种量测量提高风电功率预测精度。此外,以互信息为依据的输入变量选择指标能够为模型性能的进一步改善提供有利指引。