电力系统的仿真分析在现代电力系统运行规划、稳定分析与控制等应用中发挥着重要作用。在暂态安全稳定控制分析中,针对失稳的预想工况集合,需要离线制定紧急切机决策形成决策表以供实时匹配应用。目前决策表一般由专家手动制定,但随着电力系统规模扩大,结构日益复杂,这种方式存在人工成本很高、严重依赖专家经验、难以找到最优决策等问题。因此亟需开展实现仿真分析中切机决策表的自动或智能制定的算法研究。在此背景下,本文提出基于深度强化学习算法的智能紧急切机决策框架,然后利用数据-知识融合驱动、并行计算等策略提升算法训练速度和决策性能。本文主要的研究工作如下:首先,针对紧急切机决策自动化制定的问题,利用贪心算法循环切机实现较优决策自动生成,然后通过仿真时长和发电机分群动态调整策略提高决策制定效率,最后讨论了在实际区域电网中应用时的算法简化以及对存在电压失稳工况的处理。然后,为实现更加高效的切机决策制定,提出一种基于深度强化学习的智能紧急切机决策制定框架,针对由于多个可控发电机导致的高维决策空间问题,提出转化为线性决策空间和使用分支竞争Q网络两种解决方案。仿真结果表明,使用增量式的分支竞争Q网络智能体的决策性能最好。进一步,为提升智能体的探索效率、切机决策质量和训练速度,提出知识融合和并行计算加速策略。仿真结果表明,知识融合可以减少智能体的无效决策尝试和学习优质决策特点从而提升决策性能,使用并行强化学习能显著提升智能体的训练速度。最后,构建基于数字仿真的智能紧急切机决策的原型系统,可以实现数据管理、模型管理和应用等基本功能。将原型系统扩展连接RTLAB进行实时系统仿真验证,仿真结果表明所提的智能切机决策制定方法在应用场景下的有效性。