在未来,电力系统为了提高自身效率和经济价值,其运行可能会更接近稳定极限,大量新能源的接入,以及电力市场化的改革使得系统动态变化更加复杂,基于模型的传统电力系统稳定评估方法已难以满足电网在线调度的要求。与此同时,电网中WAMS和PMU配置数量不断增加,有效提高了系统的态势感知能力,加之计算机运算能力的不断提升,基于数据驱动的暂态稳定评估(TSA)方法受到了广泛的研究。然而基于传统机器学习方法的TSA具有特征构建复杂,模型结构固定等问题。本文采用广域测量系统(WAMS)中的相位测量单元(PMU)作为系统输入响应,构建了一种基于循环神经网络(RNN)的暂态稳定在线评估系统,该系统具有评估时间自适应功能,能够权衡评估准确率和评估速度间关系,提早输出暂态稳定评估结果,其具体研究内容如下:首先,本文基于PMU数据特点和深度学习优势,提出了两种TSA特征集。依照该特征集,本文使用时域仿真方法在IEEE-39节点系统中实验,构建了不同运行方式下的TSA有标签样本,并提出了针对不平衡样本模型的性能评价指标。然后,选用RNN的两种特殊结构,构建基于长短记忆网络(LSTM)和门控循环单元(GRU)的TSA模型,在IEEE-39节点样本实验中训练和测试,对照不同模型的性能。仿真结果结果表明,当采用线路功率作为评估特征时,基于GRU的TSA具有最高的准确率和最优的泛化性,对比传统机器学习方法,基于RNN的TSA有着明显的准确率和泛化性提升。最后,本文对GRU网络模型改进,构建了一种评估时间自适应的在线TSA系统。该系统使用PMU作为系统数据输入,能够判断系统各时刻下TSA可靠性,当认定评估可靠时输出评估结果。评估系统在IEEE-39节点样本实验中训练和测试,确定系统最佳性能下的参数大小,实验结果表明,系统在最佳性能下平均评估响应时间为2.15周波,其评估准确率达99.85%。