电力系统暂态稳定评估是安全风险态势感知的重要环节和前瞻预警的基础。现代电力系统是一个高维的非线性系统,随着特高压交直流互联规模的不断扩大、间歇性新能源渗透率的不断增加以及自然灾害的频繁发生,电力系统的大停电风险不断增大。传统基于模型的电力系统安全稳定分析方法由于计算速度较慢,难以满足电网在线调度运行要求,数据挖掘方法为解决这一问题提出了新思路。本文的研究工作和成果主要有:(1)研究了电力系统暂态稳定原始特征集的构建方法。首先基于电力系统暂态稳定机理来分析影响系统暂态稳定的关键因素,并结合现有文献的研究成果建立原始特征集,主要包括5部分:故障前系统级静态特征、故障点及其邻近区域的元件级静态特征、表征风电和直流接入影响的特征以及故障信息特征。山东省500kV及以上主网架实际系统算例的仿真结果表明,该原始特征集既能反映电力系统的整体稳态运行状况,又包含影响电力系统暂态稳定的关键信息,实现了原始特征集特征数量和信息量的平衡。(2)研究了基于互信息理论和深度学习模型的交直流混联系统暂态稳定评估的关键特征提取方法,建立了交直流混联系统动态安全风险的关键特征提取体系,主要分为两个阶段:第一阶段,基于互信息理论进行特征初筛选,消除与暂态稳定类别明显不相关或与其它特征明显冗余的特征;第二阶段,利用堆叠降噪自动编码器(stacked denosing autoencoder,SDAE)对初筛后的特征进行多层抽象表达,得到输入量的高阶特征,用于后续的动态安全评估。山东省500kV及以上主网架实际系统算例仿真结果表明,特征初筛选可以有效减小后续特征提取深度学习模型的规模,并有利于提高评估结果的精度;基于SDAE的特征提取方法与主成分分析法、RELIEF和随机森林方法相比,更能获得分辨能力更高、鲁棒性更强的高阶抽象特征。(3)研究了基于集成学习的交直流混联系统暂态稳定评估方法,提出了一种基于支持向量机(support vector machine,SVM)集成模型的暂态稳定评估方法。深度学习模型利用其多层结构可以得到底层量测数据的高级抽象表达;集成学习模型具有分类或预测性能优于子学习器的特点。SVM集成模型利用SVM作为集成学习模型的子学习器,使用SDAE提取的各层特征作为各个子学习器的输入,融合了深度学习和集成学习的优势。利用SVM集成分类模型进行电力系统的暂态稳定评估,并对评估结果进行可信度分析,将输入空间进行划分,兼顾了评估的快速性和准确性。利用SVM集成回归模型进行电力系统的暂态稳定裕度预测,基于效用理论结合所提出的暂稳裕度指标对运行方式进行严重度分级,使暂态稳定评估结果更加直观。新英格兰10机39节点系统和山东省500kV及以上主网架系统仿真结果表明,基于SVM集成模型的暂态稳定评估方法与其他分类方法相比,具有更低的漏警率和误警率,对训练集中未出现的运行方式具有较好的泛化能力。