电力系统的暂态稳定性评估对于保障电力系统安全、稳定运行至关重要。电力系统遭受严重故障后,若能够及时、准确地评估其暂态稳定性,便能快速、合理地采取紧急控制措施,防止事故扩散,减小经济损失和社会影响。传统的暂态稳定性分析方法由于其局限性而难以实现暂态稳定性在线实时评估。深度学习算法由于其评估精度高、计算速度快等优点,具有构建在线实时暂态稳定性评估模型的潜力。因此,本文基于人工智能技术,围绕电力系统故障后暂态稳定性评估进行了深入研究,主要工作如下:（1）由于电力系统故障中稳定情况远多于不稳定情况,深度学习算法在训练过程中,会遇到样本不平衡的情况。同时,对于电力系统,稳定样本与不稳定样本的误分类代价是不同的。因此,将代价敏感法引入堆叠稀疏自动编码器（SSAE）的损失函数中,以调整SSAE的评估倾向性。在样本不平衡的情况下,所提方法可以改善暂态稳定评估的倾向性;在平衡情况下,进一步通过误分类代价的设定可以有效减少不稳定样本的误判情况。（2）对于暂态稳定性评估问题,评估错误主要集中在临界情况的判别上。这些临界情况在故障清除后短时间内难以准确评估。因此,提出了一个基于代价敏感SSAE的集成学习模型来辨识在故障早期难以判断的临界情况。集成学习模型由两个具有不同评估倾向性的SSAE暂态稳定性评估模型组成。模型根据两个SSAE模型评估结果的一致性来评估结果的可信度,将可能分类错误的临界情况划分为不可信的评估结果,从而大大提高了可信的评估结果的正确率。通过加入高斯白噪声来扩展分类边界和引入故障严重程度因子来筛选用于数据增强的样本,进一步有效提高了可信结果的正确率。（3）临界故障的发展较为缓慢,延迟其评估时间能够有效提高上述模型辨别出的临界情况的评估正确率。因此,提出了基于集成门控循环单元（GRU）网络的自适应暂态稳定性评估模型。首先,根据摇摆角的发展情况生成变长训练样本,并用于训练两个评估倾向性相反的GRU网络和一个没有评估倾向性的GRU网络。提出了基于决策时间和摇摆角阈值的终止机制,以防止故障判别时间过迟影响控制措施的实施。若没有触发终止机制,则通过集成SSAE模型中的可信度评价规则判断是否输出当前结果。若触发终止机制,则由无评估倾向性的GRU网络输出结果。