电力系统可靠性评估对系统安全运行有重要的指导作用，如何实现复杂电网快速准确的可靠性评估一直是电力系统领域经久不衰的的研究课题。但随着电网规模的扩大，传统可靠性评估算法的性能瓶颈逐渐显现，进一步提高可靠性评估的速度成为了亟待解决的问题。
　　本文对基于深度学习的可靠性评估方法展开研究，通过设计和优化深度网络模型，对电力系统可靠性评估流程进行改进。本文的主要工作如下:
　　论文首先介绍了电力系统可靠性评估的常用方法和基本流程。解析法能准确求解出可靠性指标，但不适用于规模较大的系统;蒙特卡洛模拟法性能受系统规模影响较小，但在可靠性较高的系统中效率偏低。因此，本文找出了可靠性评估中的性能损耗点，并研究基于深度学习的切负荷快速计算方法，并展开可靠性评估的工作。
　　其次，针对不同的应用方向，基于神经网络设计了FRCNN和UCNN两种改进网络。FRCNN针对速度进行优化，适用于速度要求高的的场景;UCNN针对精度进行优化，最大程度保证了输出的准确性。针对不同的模型从网络结构、优化算法、超参数等方面进行了分析，并提出了基于改进网络的切负荷计算流程，在较低的失准率下，具备比传统算法更短的时间消耗。
　　再次，针对电力系统的特性提出了用于可靠性评估的数据集构建方法，通过对比不同故障阶数对系统可靠性的影响，引入分层快速排序法进行构建，有效避免了数据集的低密度和构建过程的高耗时。同时，提出随机首三排列取样算法和n进制索引随机法拓宽了数据集的可能态、减少了取样时间复杂度，从而为模型训练提供有效支撑。
　　最后，提出了基于深度学习的可靠性评估模型，其网络结构具备可替换性，FRCNN和UCNN均能完成可靠性评估任务。对数据集中最高故障的选取进行了详细分析，合理构建了数据集，并使用UCNN作为核心模块，对IEEE-RTS79系统进行可靠性评估，并将可靠性评估结果与性能与其他算法比较，可靠性结果表明本文所提出的评估模型的快速性和有效性。