振荡失稳是影响风电安全并网的重大难题,而振荡风险判定与溯源是实施振荡抑制策略的基础。风电并网系统的振荡风险判定与溯源方法目前面临三大挑战:一,大规模风电汇集系统风机数量庞大且详细参数获取困难,使得基于参数化模型的常规稳定性分析方法难有用武之地;二,实际电力系统中的量测数据呈现稳态数据充足、振荡数据匮乏的不平衡状态,以及数据样本缺乏振荡标签等问题,难以直接应用于数据驱动建模;三,即使能够建立仿真系统模型,但由于仿真模型与实际系统存在差异,使得基于仿真系统训练的数据驱动模型泛化性不足。为解决上述问题,本论文基于迁移学习提出了风电并网系统次同步振荡风险判定与溯源新方法,主要工作和创新成果包括:（1）分析了风电并网系统次同步振荡的诱发机理,建立了量测数据与振荡模式或参与因子之间的映射关系,论证了基于特征的迁移学习的可行性,首次提出了迁移学习在风电并网系统振荡风险识别中的应用范式,在该范式下,针对不同的风电并网系统次同步振荡场景提出了振荡风险判定及溯源方法。（2）针对大规模风电并网系统次同步振荡风险的判定问题,提出了一种基于动态参数等效的振荡稳定性评估数据驱动方法,并建立了基于迁移学习的振荡稳定性评估数据驱动模型。该数据驱动方法能够在风机参数未知条件下将大规模风电场的建模转化为等效系统的时域仿真,从而把在线稳定性评估的计算负担转移到离线驱动建模阶段。算例测试表明,在原大规模系统中通过运行量测数据即可实现风电并网系统振荡稳定性评估,避免了大规模参数化建模和高维矩阵运算。（3）针对大规模风电并网系统次同步振荡溯源问题,基于开环模式谐振理论,提出了在等效系统中的振荡源反演方法,以及用于深度学习模型训练样本批量生成的方法。以风电场与同步机动态交互引发次同步振荡、风电场与VSC-HVDC动态交互引发次同步振荡两个典型场景为例,分别开发了基于联合自适应迁移网络的振荡溯源模型和基于对抗式迁移网络的振荡溯源模型,采用不同的测试集对溯源模型进行了性能测试。结果表明,深度迁移网络能够通过最小化仿真系统与原系统的特征差异,使得在等效的小规模仿真系统中训练的溯源模型,在实际系统中仍然保持模型的效率和精度。（4）在大规模风电场并网系统中,风电场在不同的运行工况下可能与不同的动态元件发生交互作用,对（3）中基于单一场景的次同步振荡溯源方法进一步扩展,开发了基于多源域自适应网络的次同步振荡溯源模型,该模型能够实现在复杂系统中对不同诱发场景的次同步振荡溯源,研究表明,该模型相比于其他学习模型适应性更强,对不同诱发场景均具有较强的泛化性,为面向复杂场景的工程应用奠定了基础。