数据挖掘技术是近年来人工智能领域研究的热门课题，它可以从大量的、不完全的、有噪声的数据中提取隐含其中的有用信息。与面向经典理论的暂态稳定评估方法相比，数据挖掘在对潜在问题的发现和规律的预见性以及计算效率等方面能体现出优越性。首先“对数据整体特征的描述及对其发展趋势的预测”正是数据挖据的特点所在。其次，数据挖掘只需要输入一定的参数，不需要对模型的完整描述就可以挖掘出综合的“知识”，而不是抽象的数据结果，可提高实时决策的效率。关联规则挖掘是数据挖掘的最重要技术之一，可找出满足给定支持度阀值和置信度阀值下数据集中不同数据属性之间所存在的潜在关系规则。本文尝试将数据挖掘关联规则技术应用于电力系统暂态稳定评估中。本文根据IEEE16机系统进行暂态稳定仿真，由于数据为量化多维数据，对其进行关联规则挖掘的主要难点之一就是将连续数值属性离散化。本文首先对经典k-means算法和模糊聚类FCM算法比较分析，确定聚类个数并选择采用效果较好的FCM算法进行聚类找出候选离散断点，再结合信息熵理论确定最终离散断点，将连续数据离散化到各个离散区间中，然后把离散化区间映射为连续的数字标识。其次，关联规则挖掘通常都是针对单维数据库，即经典的购物篮分析，用于单维关联规则的算法Apriori是一种找频繁项集的基本算法，本文在对Apriori算法包括它的一些变形算法进行了深入研究的基础上，对其进行改进使之适用于多维关联规则挖掘，并编程实现多维关联规则的挖掘，找出暂态稳定特征属性之间以及特征属性与暂态稳定属性类别之间的关联关系，最后对挖掘出的规则进行分析研究，从而对电力系统暂态稳定评估及预测提供知识。