随着我国互联大电网的迅速发展,基于模型的传统暂态稳定分析方法逐渐难以满足在线应用需求,而海量数据和人工智能技术为电力系统的在线暂态稳定评估(Transient Stability Assessment,TSA)提供了一条崭新的途径。本文依托于国家重点研发计划项目(2018YFB0904500),深入研究了基于深度置信网络(Deep Belief Network,DBN)的电力系统暂态稳定评估方法,主要研究内容如下:(1)为研究输入特征对TSA的影响并寻找集成模型的特征子空间,构建了不同输入特征集。从发电机功角及出力、母线电压和线路潮流等原始特征中,分别提取了基于互信息法直接筛选的特征集、基于功角轨迹簇的统计特征集和基于堆叠降噪自编码器自动提取的高隐含层特征集。三种输入特征集均能充分反映系统运行状态,提升原始数据的可分性,为后续单一模型和集成模型的建立奠定基础。(2)为实现快速准确的暂态稳定评估,建立了基于单一DBN的TSA模型。首先,结合TSA的特点优化DBN算法,并提出确定DBN结构的实验方法。其次,利用DBN挖掘输入特征与暂态稳定之间的映射关系,得到基于DBN的评估模型,它的预测精度高、鲁棒性较强且预测速度快,其逐层可视化结果直观展示了DBN强大的特征提取能力。最后探究了DBN结构和输入特征对TSA模型的影响,发现DBN的最优结构不唯一、不同输入特征各有优劣,从而引出集成模型的思想。(3)为进一步减少误判漏判并实现可靠的暂态稳定实时评估,提出了一种基于集成DBN的两阶段暂态稳定评估方法。首先,分别在不同输入特征集下训练多种结构的DBN模型,按概率平均机制建立集成DBN模型,这种组合多种输入特征的集成方式有效地提升了TSA的预测性能、鲁棒性和泛化能力。然后分别建立基于DBN的稳定程度和失稳程度回归预测模型。最后,结合可信度提出了一种两阶段的时序评估流程,第一阶段利用集成DBN模型判断系统的暂态稳定状态,若结果可信即进入第二阶段进一步预测其暂态稳定程度,否则将随着时间推移继续判断。所提方法不仅大大减少了漏判,兼顾了评估的快速性和准确性,还能准确衡量故障后系统的稳定或失稳程度,提供更丰富的参考信息。(4)为实现跟踪系统运行工况变化的暂态稳定自适应评估,提出了一种基于迁移学习的模型自适应更新方法。首先,根据系统变化后原模型适应程度的强弱,选择相应的局部微调或整体微调两种迁移学习方案。然后,提出DBN自主筛选关键样本的方法,减少训练样本,加快模型更新的速度。最后仿真结果表明所提方法能灵活快速地恢复并提升原模型性能,实现暂态稳定自适应评估。