随着特高压直流工程密集投运,大量新能源的接入和负荷构成及特性的变化,快速动态响应元件占比日益增大,电压稳定问题突出,交直流送受端耦合日趋紧密,大停电风险加剧。传统的基于详细数学模型的数值仿真方法计算速度较慢,难以满足在线暂态电压稳定评估要求,基于数据挖掘和机器学习的方法为解决这一问题提供了新思路。本文基于深度学习技术,主要的研究工作和取得的成果如下:(1)研究了交直流受端电网暂态电压稳定的主要影响因素。包含输电网络能力限制影响,感应电动机负荷影响,受端电网无功支撑能力限制影响和暂态功角问题交互影响四个方面。对暂态电压稳定影响因素的探讨为基于机器学习的暂态电压稳定评估特征选择提供了基础。(2)发展了基于 t 分布随机近邻嵌入(t-stochastic neighbor embedding,t-SNE)和模糊C均值(fuzzy C-mean,FCM)算法的交直流受端电网分区方法。电网分区有利于选取关键节点进行快速评估,可反映各区域及整体的暂态电压稳定水平。对于局部电网,节点数较少,基于暂态电压时序信息构建暂态电压跌落面积矩阵,使用t-SNE算法将其映射至二维平面,对受端电网进行分区,可计及快速动态响应元件特性;对于大规模电网,节点及支路众多,难以构建暂态电压跌落面积矩阵,基于稳态网架信息构建电气距离矩阵,首先使用t-SNE算法将电气距离矩阵降至二维,然后通过FCM聚类,以Xie-Beni系数为评价指标进行分区。使用山东省500kV及以上主网架算例和华东电网算例分别进行验证,验证结果表明所提分区方法较为合理有效。(3)建立了基于卷积神经网络(convolutional neural network,CNN)的交直流受端电网暂态电压稳定快速评估方法。依据节点相对距离选择各分区稳态潮流特征,构建线路故障严重度指标,对故障线路号进行编码,将编码结果和故障线路号共同作为故障特征,提升对不同故障的适应性。使用一维卷积神经网络搭建暂态电压稳定安全风险态势感知模型,可以减少信息的丢失并充分利用CNN的局部感知的能力。采用粒子群优化技术确定各分区的最优卷积核大小和数量,提升CNN性能。基于Python编写了大电网安全风险态势感知前瞻预警示范软件暂态电压稳定评估模块,可实现在线应用及在线更新等功能。以山东电网500kV及以上主网架系统验证所提方法。算例分析结果表明:提出的基于CNN的暂态电压稳定评估方法相较于其他模型具有更高的评估准确率;在保证精度不下降的情况下,可以减少特征的冗余度,提升在线应用速度。