电力系统安全稳定运行是现代社会稳定发展的重要基础和支撑,由于现代电力系统具有多维度、非线性的特点,利用传统数学模型方法对电力系统暂态稳定性进行评估已难以满足需求。随着人工智能方法的发展,研究人员将机器学习引入到电力系统暂态稳定性评估。因此论文利用多层感知机网络的复杂特征提取能力,提出了一种基于集成学习与多层感知机相结合的电力系统暂态稳定性评估方法。论文主要研究内容如下:首先,论文分析了电力系统暂态稳定性评估的国内外研究现状,总结了时域分析法、直接法、人工智能法等各种方法的优缺点。根据收集的原始电力系统仿真模型数据特性,采用箱型图对数据进行去离群值操作,同时对影响电力系统特征量进行标准化处理,利用主成分分析对预处理后的数据降维,根据各变量的贡献率确定6个主成分代替原有变量,根据主成分因子载荷矩阵分析了各主成分组成情况。其次,论文以降维后的6个主成分作为多层感知机模型的输入,在训练集上通过优化算法获得基于多层感知机的电力系统暂态稳定性评估模型,进一步利用验证集对多层感知机模型的超参数进行预调整,在测试集对多层感知机模型、决策树、支持向量机、k最近邻等方法进行性能测试,对比结果表明本文所设计的多层感知机模型评估准确性更高。第三,针对多层感知机模型的超参数难以选择问题,论文设计了一种基于贝叶斯算法的多层感知机网络参数优化算法,利用该优化算法对多层感知机的神经元个数、样本规模、迭代次数、训练学习率等参数进行自动优化,该方法不仅可以避免进行复杂的手动超参数调整,还可以获得评估准确性更高的多层感知机模型。最后,针对电力系统暂态稳定性数据不平衡问题,论文设计了一种基于Easy-Ensemble欠采样算法集成学习模型,该方法保留电力系统不稳定样本,针对稳定样本进行多次欠采样,将不稳定样本与欠采样样本组合成多个新的平衡训练集以进行多层感知机模型训练,通过投票集成策略得到最终的集成模型,论文对比了单个模型与集成模型的评估性能,结果表明集成学习模型对系统不稳定性具有更高的灵敏度和准确性。