随着电力系统的快速发展,大规模可再生能源接入和特高压交直流混联已成为趋势,电力系统变得越发复杂的同时,其安全稳定控制也面临着严峻考验,因此亟需探索出一种快速准确暂态稳定评估方法,为采取紧急预防措施留出足够的反应时间。近年来,随着人工智能技术的发展,许多基于机器学习的暂态稳定评估方法被不断提出,一定程度上克服了传统方法无法兼顾准确性和快速性的缺点。然而,由于大多数机器学习模型属于浅层模型,面对海量运行数据时其处理能力有限,在评估精度和响应速度方面还有巨大的改进空间。针对现有方法的不足,本文创新地将深度学习神经网络引入暂态稳定评估,为快速准确评估提供了新思路。提出了 一种基于一维卷积神经网络的暂态稳定评估方法。该方法能够直接面向底层量测数据,自动提取其中蕴含的有用信息,从而达到对系统暂态稳定状态进行准确刻画的目的。具体来说,该方法能够对PMU采集到的节点电压和支路潮流时间序列数据进行处理,利用卷积层和池化层堆叠的方式自动从中提取出有效的暂态时序特征,然后将这些特征交给全连接层进行暂态稳定性分类,实现了端到端的“暂态时序特征提取+稳定性分类”功能,期间无需进行人工特征提取,降低了使用成本。所提方法凭借一维卷积神经网络独特的网络结构,为暂稳评估提供了“量测数据在时间轴上相近的点关联性强”的先验信息,通过端到端的两阶段联合寻优,改善了浅层暂稳评估模型的性能。提出了一种组合多尺度卷积自适应暂态稳定评估方法。该方法通过定义的可信决策参数形成了自适应暂稳评估逻辑,利用同一个组合多尺度卷积神经网络,实现了随时间序列数据不断增多的连续稳定性分类。所提方法利用组合多尺度卷积网络提取不同时间跨度的多尺度暂态特征,可以有效提高在自适应评估过程中对新增数据的敏感性,使其具备保持高评估精度的同时提高响应速度的能力。在新英格兰10机39节点测试系统上对提出的基于深度学习的暂态稳定评估方法进行了测试,实验结果表明,相较于现有的浅层学习暂态稳定评估方法,所提方法在评估精度和响应速度上都有更加出色的表现。此外,提出的两种方法对评估准确性和快速性进行了不同倾斜,为实际应用提供了更加灵活的选择。