基于快速、准确和有效的信息采集系统的电力系统在线安全评估对于预防安全事故具有重要的意义,是电力系统发展的前沿课题之一；对于电力系统中正在快速增长的运行数据,如何对其充分地利用,快速有效地分析、加工和提炼,以发掘出有用知识并将其应用,也是电力行业所面临的关键问题之一。在上述双重背景下,本文利用海量数据中知识发现的相关理论与方法,结合电力系统安全问题的机理,分别从静态电压稳定、区间振荡稳定、故障前暂态稳定评估和故障后暂态稳定预测这四个方面研究了电力系统在线安全评估方法。主要完成了以下工作：(1)针对常规的静态电压稳定在线评估方法在实际应用中的不足,提出了一种基于隐含关系探索(Relationships Exploration, RE)的静态电压稳定评估方法。首先基于最大信息系数(Maximal Information Coefficient, MIC)和皮尔森相关系数(Pearson Correlation Coefficient, PCC)在数据库中对电力系统运行变量与静态电压稳定裕度之间的关系进行评分：然后选择出评分高的关系构建评估模型,所选关系对应的变量即为模型的输入特征；最后获得输入特征的实时数据,并利用模型对静态电压稳定裕度进行在线评估。在21节点系统和1648节点系统中测试和分析了该方法,并将其与常规方法进行了对比；分析了训练集规模、所选关系数目和类型、所选关系排名、测量误差、PV到PQ节点类型转换以及拓扑变化对该方法的影响；分析了算法数据处理速度；将该方法在实际系统中进行了应用。该方法具有较高的准确率,相对于常规方法具备如下优势：可以更好地应对同步相量测量单元(Phasor Measurement Unit, PMU)的数据丢失的情况,以及避免冗长的调试和过拟合的问题；作为一种透明工具,相对于常规黑箱工具,该方法可以更清晰地呈现系统运行变量与不稳定事件之间的关联信息；方法对输入特征的选择提供了足够的自由,能够为系统中其它指标的监测留出更多对输入特征的选择空间,将减少PMU的经济投资。同时,本文针对该方法以及常规数据挖掘工具在应对系统网络拓扑变化时出现的评估误差上升的情况,提出了建立模型数据库并实时更新模型数据库的策略,以实现无缝的在线评估。此外,评估方法对PMU的测量误差具有良好的鲁棒性,对PV到PQ节点类型转换具有良好的适应能力。(2)针对常规的区间振荡稳定在线评估方法在准确率方面的不足,以及对电力系统的运行情况变化因素的考虑不全,提出了一种基于隐含RE的电力系统区间振荡稳定置信评估综合方法。该方法首先利用MIC和PCC探索了系统运行变量与区间振荡稳定裕度之间的隐含关系；然后利用探索出的关系构建了评估模型,并在模型中制定了针对隐含RE的回归和分类置信决策规则；最后利用模型和隐含关系所对应的变量的测量值,实现了对区间振荡稳定裕度的在线置信评估。该方法在模型更新阶段考虑了系统的多种运行情况变化因素(拓扑变化、发电机／负荷功率分布的变化以及负荷峰值／谷值的变化)。在IEEE39节点系统和1648节点系统中测试和分析了该方法,并将其与常规方法进行了对比；分析了训练集规模、所选关系数目和类型以及系统运行情况变化对评估的影响；分析了算法数据处理速度。相对于常规方法,该方法具备如下优势：利用置信决策规则主动检测到了潜在的回归和分类评估误差,避免了使用这些不置信的结果,从而实现了更高的评估准确率；在在线应用的过程中,对系统运行情况的变化具有良好的鲁棒性。(3)针对常规的故障前暂态稳定在线评估方法的准确率和计算速度上的不足,以及对暂态稳定评估(Transient Stability Assessment, TSA)结果呈现不直观的问题,提出了一种基于多重极限学习机(Extreme Learning Machine, ELM)的电力系统故障前暂态稳定的置信与可视化评估方法。该方法采用多重ELMs的回归和分类置信决策规则；利用多重ELMs的集成学习,在训练的过程中随机地选择特征、训练样本点、隐藏节点和激活函数,提高了模型的泛化能力；对可能故障地理位置的在线TSA结果进行了可视化处理。在1648节点系统中测试和分析了该方法,并将其与常规方法进行了对比；分析了算法数据处理速度；将该方法在实际系统中进行了应用。相对于常规方法,该方法具备如下优势：能在TSA中给出更高精度的分类和回归评估结果；能根据故障地理位置的多样性对TSA呈现可视化的在线监测结果,能方便系统运行人员对不同区域的暂态稳定水平进行直观地了解；具有快速训练的特点。此外,面对系统运行情况的变化,方法具有一定的适应性,若采用模型更新的方式则能具备良好的鲁棒性。(4)针对常规的故障后暂态稳定在线预测方法没有全面地考虑多种因素的概率分布的不足,提出了一种通用的概率评价方法,用于综合评价故障后暂态稳定在线预测的数据挖掘模型的准确度。该方法以数据挖掘模型为基础,考虑了故障切除时间、故障类型、故障位置、系统负荷水平和网络拓扑五个因素的概率分布,对数据挖掘模型的准确度进行综合评价。结合决策树(Decision Tree, DT)模型,在IEEE39节点系统中测试和分析了该方法。与已有研究相比,该方法优势在于：通过对影响暂态稳定的基本因素及其概率分布的综合考虑,能更加全面且客观地评价数据挖掘模型的准确度；与所用的数据挖掘模型相独立,因而具有通用性,能对不同的数据挖掘模型的准确度进行公平的比较。此外,方法应用于DT模型后,能够在考虑多种影响因素的概率分布的基础上,在极短的时间内给出具有较高准确度的预测结果。