电压稳定是智能电网稳定性的重要基础,我国智能电网规划已将电压稳定性列为拟重点研究的电网稳定运行的理论问题之一。而在新能源发电,电力市场,用户需求侧响应等电网变革的影响下,电网潮流分布的不确定性越来越强,安全裕度低的运行方式也将更加频繁的发生,对大电网暂态电压稳定评估的准确性、快速性、适应性提出了更高的需求。本文围绕评估需求和暂态电压问题特点,借助数据驱动算法中的图深度学习方向的成果,开展暂态电压稳定评估模型的研究,主要工作总结如下:（1）由于常规机器学习评估算法难以在运算中直接表达电力系统网络拓扑,针对这一问题,本文以母线为节点、传输线为边,采用图状数据结构来存储电力系统电气信息和网架拓扑,为后续将图深度学习引入暂态电压稳定评估提供了统一且完整的数据集装范式。搭建好数据结构后,本文将图注意力网络（graph attention network,GAT）作为评估方法中的特征提取模型。此外,为了提升评估模型的精度,本文还引入信道注意力运算模块对节点特征通道的强度进行校正,从而提升模型所提取特征的表达能力,并通过余弦退火重启动等机器学习技巧提升模型训练效果。对所提的GAT评估方法进行了测试和分析,验证了GAT相较于其他深度学习评估模型,能对电力系统网络拓扑变化表现出更强的鲁棒性,从而保证模型在拓扑改变的情况下保持较高的评估准确率。（2）从评估模型的快速响应需求出发,本文在上述图注意力网络的基础上进一步强化了模型的信息抽取能力,通过键值注意力来考虑特征聚合过程中中心节点和邻居节点的差别,以及通过异构图注意力运算来刻画不同电力系统元件对暂态电压稳定性影响的差异性,并使其体现在输出的节点特征上。鉴于暂态电压失稳的区域性特点,数据驱动模型有实现母线级暂态电压稳定评估的需求,结合图注意力网络输出特征矩阵的节点顺序不变性,本文设计了微型稳定评估器,该评估器只需要输入单个母线的特征向量与全局池化向量,便能给出对应母线的暂态电压稳定评估结果。为了使评估结果能描述母线暂态电压不同的失稳模式,本文根据暂态电压快速失稳和延迟失稳设计了多种评估指标,并将其同时作为稳定评估器的输出。在标准测试系统下测试表明,本文所提的评估模型即使仅以稳态信息和故障发生时刻的扰动冲击信息作为模型输入,也能保持较高的评估精度,异构图中不同类型的节点间注意力系数分布情况具有明显差别。而在中型规模系统下的测试,更验证了微型稳定评估器结构能将“多输入-多输出”的关系通过“多输入-（逐节点扫描）-单个母线输出-（组合）-多输出”的方式解耦,即采用参数复用的方式来降低模型的复杂度,从而避开输出维数过高时模型无法通过对有限样本的学习过程有效调整参数的问题。（3）本文所提评估方法致力于应用在真实大型电力系统当中。因此,本文首先通过时域仿真获取了南方电网220k V以上系统的故障样本集,根据扰动序列过程设计了物理意义明确的暂态电压评估指标,分析了样本中各类指标的相关性程度,验证了所提指标的有效性。其次,本文将所提的评估模型应用于南方电网母线级暂态电压稳定评估中,并通过上述指标作为模型学习的标签。由于南方电网稳定水平较高,为更有效观察模型评估性能,本文样本中设置了0.1s和0.4s两种扰动清除时间,一种扰动清除时间对应一套评估指标和评估模型。实验证明,在标签联合学习的机制下,所设计的暂态电压稳定评估模型能同时对多种连续型评估指标有较高的预测精度;在0.4s故障切除时间场景中,评估模型还能快速准确的给出电压在220k V以上母线的暂态电压失稳二分类结果,而连续型指标与母线电压稳定分类结果基本一致,且在母线综合评估中,连续型评估指标有可能校正母线暂态电压稳定类别,从而降低模型对失稳场景的漏判风险。此外,本文提出的多图并行化能借助GPU实现图注意力网络的高效运算,从而使得单位时间内可完成的母线级暂态电压稳定评估轮次倍增。论文研究设计的基于深度图注意力网络的暂态电压稳定综合评估模型,为潮流方式、运行拓扑、扰动位置同时改变场景下的暂态电压稳定评估提供了较为准确、高效的工具。