大规模集中式可再生能源发电、极端自然灾害等不确定因素,对电网的运行安全风险防控能力提出了更高的要求。小概率极端自然灾害引起的输电线路故障,严重时有可能导致大面积停电的恶性事故,给经济发展和社会稳定带来极大的危害。合理利用当前快速发展的人工智能技术,能够提升电网安全风险防控的智能化水平,提高安全风险评估能力,提升预警速度。因此,在可再生能源接入电网引起系统运行方式不确定性的背景下,借助机器学习等人工智能手段,实现对电网运行安全风险进行高效准确的评估,有助于从调度运行和电网规划等角度采取相应的措施对风险进行有效的防控。首先,本文研究了考虑源侧出力不确定性的电力系统运行方式表征方法。以风电为例,研究了考虑风电功率随机性和波动性的动态场景生成方法,通过对多元正态分布协方差矩阵的关键参数进行辨识和逆变换抽样,生成大量同时符合风电出力随机性和波动性的动态场景。基于聚类算法对大量动态场景进行缩减,得到表征风电功率不确定性的典型场景和场景发生的概率,并优化生成确定性典型场景对应的电力系统运行方式,进而基于上述不同的运行方式对电网运行安全风险进行评估。然后,考虑到多个不相邻风电场典型场景的组合会导致系统出现大量的运行方式,而对大量不同的运行方式进行时域仿真分析得到控制代价的耗时过长,为电网在线运行安全风险评估带来了困难。通过人工智能手段对样本进行离线训练和在线应用,能够有效提升安全风险评估的效率。本文通过对电力系统分析综合程序（PSASP）进行内核调用生成大量系统运行方式,在此基础上生成大量离线样本用于随机森林机器学习算法的学习和测试。基于随机森林机器学习算法从以下两个方面开展了研究:第一,对不同运行方式下输电线路发生预想故障后的继电保护极限切除时间进行了研究,实现了在线对暂态功角稳定结果进行预判;第二,对不同运行方式下输电线路发生预想故障后的最小安全稳定控制代价进行了研究,实现了在线对暂态功角失稳时的最小安控代价进行准确预判,为安全风险评估的计算提供了控制代价依据。基于随机森林机器学习算法进行安全风险评估能有效提升风险评估的效率,并和神经网络算法的预测准确率进行对比,体现了随机森林机器学习算法在预测精度上的优越性。其次,量化评估了计及复合自然灾害时的输电线路故障概率,重点研究了考虑暴雨和冰灾自然灾害时的输电线路故障概率计算方法。通过读取电网设备状态、沿线地形地貌等静态信息和有关气象条件的动态预报信息,基于模糊数学中的隶属度函数和相关的模糊规则表,分别计算了暴雨和冰灾灾害下的输电线路故障概率。根据独立事件的概率计算法则,进一步得到暴雨灾害及复合自然灾害下的输电线路故障概率,为安全风险评估的计算提供了概率依据。最后,研究了安全风险指标的计算方法。综合考虑前文所研究的源侧出力不确定性、系统不同运行方式下的控制代价和自然灾害引起的输电线路故障概率等影响风险指标的因素,得到输电线路的风险评估结果。将不同输电线路按照上述方法计算得到的风险值进行排序、归一化和聚类处理,对考虑源侧出力不确定性的电网运行进行了全面综合的评估,为进一步的预防控制提供了指导。