随着电力系统的快速发展,电网容量日益扩大,拓扑结构日趋复杂,新能源大规模接入,特高压交直流混联日益普及,越来越多的大型系统以互联的方式运行在接近暂态稳定安全约束的边缘地带,电网的安全稳定运行面临越来越严峻的挑战,暂态稳定性评估这一传统问题被赋予了更多的复杂性和新时代技术带来的新要求,日益显出其重要性,并再次成为电力系统技术研究的核心热点问题之一。传统的电力系统暂态稳定评估方法以直接法和时域仿真法为主,但是随着电网的快速发展,输电线路大幅增加,直接法和时域仿真法的局限和不足越来越显露出来,已越来越难以适应飞速发展的时代技术要求。而在人工智能领域新涌现出的各类新方法和手段,可以为研究暂态稳定性问题的研究提供全新的视角和思路,这些智能型方法有其优点,但也有其自身不成熟的一面,如何扬长避短充分发挥智能型评估方法的优点,将之运用到暂态稳定的评估中来,构成了本文的核心研究内容。从神经网络的基础理论入手,分析其组成结构、模型的训练方法和参数寻优的策略,结合电压幅值变化与系统暂态之间的关系,构建了基于深度置信网络的电力系统暂态稳定评估模型。充分发挥深度置信网络模型在挖掘数据潜在规则方面的优势,完成快速的暂态稳定特征提取。在模型训练环节,为了提高泛化能力,采用了有监督和无监督相结合的训练方法。在模型验证环节,先用新英格兰10机39节点系统对模型进行了数据训练和参数寻优,再用IEEE-16机系统和IEEE-50机系统对模型的性能进行了验证。从理论到模型再到实验结果三个层面系统的分析和总结了基于深度置信网络的暂态评估方法的评估速度、评估准确率和容错能力。针对其在特征向量的选取环节需要人为参与的缺点,本文进而构建了基于卷积神经网络的暂态稳定评估模型,通过PMU直接采集故障后系统的电压信息作为模型的直接输入信息。发挥其能将特征提取环节和评估分类环节合二为一的优势是,成功避免了人为因素的参与,实现了“端到端”的智能化评估模式。其测试结果表明该评估方法具有良好的评估速度、准确率和容错能力。