随着风电并网容量逐渐增加及换流器等电力电子设备的大量使用,导致风电对系统暂态稳定性的影响越来越明显,其暂态稳定性问题相较于传统电网具有新的特征,更加复杂。因此,对含风电场电力系统的暂态稳定性进行准确的预测和评估,成为亟待解决的问题。本文重点对三方面内容展开研究,一是通过大量仿真,分析影响含风电场电力系统暂态稳定性的主要因素;二是提出了基于双向门控循环单元（Bidirectional Gated Recurrent Unit,BiGRU）和稠密连接网络（Densely Connected Networks,DenseNet）的含风电场的电力系统暂态稳定预测方法;三是提出了基于MobileNet V2的含风电场电力系统暂态稳定裕度评估方法。主要工作如下:本文对含风电场的电力系统进行建模和仿真。根据大量仿真结果并结合典型样本,分析了风电穿透率、扰动风、直接接入与等容量替换、故障类型、分散接入与集中接入等因素对含风电场的电力系统的暂态电压稳定和暂态功角稳定的影响。本文提出了基于BiGRU-DenseNet的含风电场电力系统暂态稳定预测模型。该模型将BiGRU网络在时序数据处理上的优势和DenseNet网络在多分类预测方面的良好性能相结合。首先,将仿真样本分为暂态稳定、暂态功角失稳和暂态电压失稳三类;其次,以母线电压幅值和相角的时间序列构成特征集;最后,特征量归一化后,采用t分布随机邻域嵌入（t-Distributed Stochastic Neighbor Embedding,t-SNE）算法进行特征降维,并通过预训练的方式初始化DenseNet模型的权重。仿真结果表明,本文设计的BiGRU-DenseNet模型可以较好地提取数据集的时序特征和空间特征,模型预测准确率高、召回率高、误判率和漏判率低,与其它几种主流分类模型相比,本文所提模型准确率、召回率最高,误判率和漏判率最低。对稳定样本,有必要进一步分析暂态稳定裕度,表征系统暂态稳定的程度。因此,本文提出了基于MobileNet V2多任务学习和迁移学习的含风电场电力系统暂态稳定裕度评估模型。首先,针对暂态电压跌落可接受性指标（transient voltage dip acceptability,TVDA）对暂态电压恢复动态过程考虑不足的问题,提出了考虑电压动态恢复过程的暂态电压稳定裕度指标;再选用MobileNet V2作为模型的主干网络,应用了深度可分离卷积和具有线性瓶颈的反向残差模块,模型采用Mish激活函数替换Re LU激活函数,提高模型的预测精度,并采用Minibatch分批训练数据集,最后,采用预训练方式初始化模型权重,使用平均绝对值误差作为模型评价指标。当风电穿透率、扰动风、直接接入与等容量替换、故障类型、分散接入与集中接入等因素变化时,生成的稳定样本数据存在一定差异,采用基于模型的迁移学习训练新样本。仿真结果表明,本文所提模型对暂态电压稳定裕度和暂态功角稳定裕度预测的平均绝对值误差较低,模型可以很好反映电力系统暂态稳定的内在规律,达到准确预测每个样本中暂态电压稳定裕度和暂态功角稳定裕度的目的。对模型泛化能力的测试表明,基于模型的迁移学习提高了模型对目标域数据集的预测精度,增强了模型的泛化能力。