电能的广泛使用使得现代电力系统的互联规模不断扩大,由暂态不稳定引起的停电事故的影响范围也日益扩大,而大量可再生能源的接入和交直流混联技术的使用,使系统暂态不稳定的概率增大,因此如何快速且准确的评估电力系统暂态稳定性成为了相关学者热议的话题。随着通信技术的迅猛发展,电力大数据时代已经到来。广域量测系统的广泛应用,为基于系统实时响应信息的暂态稳定评估方法提供了数据支撑,进而引申出了基于机器学习的电力系统暂态稳定评估。但是,基于浅层机器学习方法提出的评估模型,其对特征分析能力不足,在评估性能上仍有改进的空间。因此本文将卷积-循环的混合网络引入暂态稳定评估中,为快速准确评估系统的暂态稳定性提供了新思路。主要研究内容如下:本文通过输入特征的选择和模型的构建,提出一种对噪声数据和不平衡数据仍具有良好评估性能的模型。依托卷积-循环的混合网络思想,搭建了CNN-LSTM的暂态稳定评估模型,为增强模型的泛化能力在模型中加入批归一化算法和注意力机制,同时差分进化算法的引入使得模型调参能力加强,进一步提升了模型性能。具体通过仿真设置得到故障切除后的发电机功角和转子角速度的时序轨迹作为输入特征量,将数据集划分为训练集和测试集,来进行模型的训练、优化和测试。该模型的输入特征为底层发电机端量测数据,较基于浅层机器学习的评估模型而言不需要人为求取输入特征,而是通过评估模型的自主学习能力提取暂态稳定与输入特征间的映射关系。通过算例仿真结果表明,本文采用的发电机功角和转子角速度作为输入特征量的模型性能要优于单一采用发电机功角或转子角速度作为输入特征量的模型性能;批归一化和注意力机制的加入使得模型的自适应力增强;该评估模型在面对输入数据中有噪声、输入数据不平衡的问题时仍具有良好的鲁棒性。