随着高渗透率新能源的接入和电力改革的持续推进，电力系统的稳定安全问题日益突出，因此快速准确地评估电力系统的暂态稳定状况是非常有必要的。而同步测量技术的发展和人工智能的兴起使得电力系统暂态稳定实时评估提供了可能，本文基于这些技术对电网数据不平衡和数据缺失问题下的电力系统暂态稳定评估进行研究，主要工作如下：
　　在处理电网失稳数据稀少的问题方面，提出了一种电力系统暂态稳定样本增强方法。首先，结合电网暂态特性对条件生成对抗神经网络进行改进，实现对暂态数据分布的高效学习；然后，基于学习到的暂态数据分布合成大量失稳样本以实现对电网失稳数据和稳定数据在数量上的平衡；最终，采用极限学习机基于平衡后的电网数据学习暂态稳定规律并在线应用，从而形成暂态稳定样本增强框架。算例仿真表明，该方法由于克服了已有方法直接线性插值合成的样本与运行状态相关性不强的问题，显著提高了失稳情况下的识别率并对广域噪声和数据维度具有鲁棒性。
　　在应对相量测量单元(phasor measurement unit, PMU)可能造成的数据缺失问题方面，提出了一种考虑数据缺失的电力系统暂态稳定自适应集成评估方法。首先，对故障切除后单个时刻的暂态特征计算其重要性并结合电网的可观性规则构建PMU子集搜索算法。然后，基于每个PMU子集包含的数据训练相应的暂态稳定分类器，并采用自适应融合机制对数据缺失情况下未受影响的PMU子集对应的暂态稳定分类器集成而做出可靠的评估结果。在新英格兰10机39节点电力系统的仿真结果表明，由于考虑到了特征的重要性，该方法在计算量和对数据缺失下评估的鲁棒性和准确性都要优于现有方法。
　　针对在故障切除后暂态时序场景中现有方法无法同时兼顾准确性和评估速度的不足，提出了数据缺失情况下的时空自适应暂态稳定评估模型。首先，分析故障切除后的动态时序运行场景，提出时序特征计算方法，获得每个时序物理量的重要性；然后基于电网可观性和每个时序特征的重要性构建最优PMU子集搜索模型，利用求取的每个PMU子集所提供的数据分别训练相应的长短时记忆网络(long short-term memory， LSTM)；最终，构造时空自适应机制，从PMU子集集合受数据缺失影响情况(空间信息)和数据缺失时刻(时间信息)分析来自适应集成LSTM并调整评估时间。在新英格兰10机39节点电力系统的仿真结果表明，由于该方法能实现对时空信息的抽取，因此相比已有方法在数据缺失情况下具有最高的准确性和最短的平均响应时间。此外，在对未知故障和噪声下的鲁棒性也拥有显著的优势。