随着我国电力工业的发展,我国正形成超大规模互联电力系统。如何保证这样大规模的电力系统能够经济、安全且稳定地运行成为难题。因此有必要分析电力系统在遭受大扰动情况下的暂态稳定性,最好是能够根据受到扰动的情况,通过暂态稳定仿真,实时给出预防与控制措施,而现有的暂态稳定仿真手段,尤其是时域仿真法,由于计算速度慢的问题,在实际电力系统中难以达到实时化应用。本文主要是通过两种不同的方法来尝试提高暂态稳定仿真速度。首先本文提出了一种基于神经网络预测虚拟注入电流的暂态稳定快速算法,并且使用并行计算的方法提高了该算法的执行效率。该算法通过使用人工神经网络来预测虚拟注入电流,可以有效减少暂态稳定数值积分中网络方程与微分方程的交替求解次数,减少暂态稳定计算时间。本文在3机9节点算例和新英格兰10机39节点算例上进行了验证,证明了该方法的可靠性与有效性。由于神经网络的训练能够离线完成,因此本算法有利于实现暂态稳定计算的在线化应用。然后,根据卷积神经网络适合处理的数据类型,提出了一种利用电力系统中各发电机在故障发生到切除后一段时间内的功角数据作为输入来训练卷积神经网络,并且对系统进行暂态稳定评估的方法。通过在IEEE10机39节点算例与IEEE118节点算例上的测试,证明该方法评估准确度高,具有可行性。并且根据卷积神经网络输出层的输出概率,对测试样本进行逐层筛选,能够最大限度地筛去不能够准确判定的样本,进一步提高评估的准确率。上述方法需求的功角输入量较少,因此能够提前终止暂态稳定仿真,大大减少仿真耗时,有助于实现暂态稳定仿真的在线化应用。