当今电力系统运行环境日新月异，人们对电力需求的逐步增长以及大规模联网战略的逐步构建，在一定程度上导致电网的安全稳定特性日益复杂。现代电力系统的运行更加靠近其稳定极限，这对于在线稳定分析是一个严峻的挑战。为了避免暂态失稳引起的区域大电网范围内的停电，在较短时间内准确预测电网的暂态功角稳定特性和预测受扰后功角轨迹是电网动态评估需要关注的关键问题。机器学习利用离线仿真故障后系统的响应数据训练拟采用的机器学习模型，训练得到的模型可以方便地将实时测量数据转换为系统紧急状态下的暂态稳定信息和支持决策。本文的主要研究工作总结如下：
　　(1)基于电力系统转子运动方程和暂态功角稳定的原理，研究反映电力系统暂态功角稳定的特征集构建方法。采用电力系统仿真软件DIgSILENT/PowerFactory在IEEE39节点系统中对不同运行工况和故障条件进行时域仿真，结合暂态稳定原理和现有文献的研究成果，采集相应的实时仿真数据进行进一步计算，构建一个能够提炼暂态功角稳定关键信息且无关系统规模的特征集合。考虑到实际系统特征量在采集过程中可能会出现缺失，采用递归特征消除的方法对特征集合中各个特征量进行重要程度排序。
　　(2)提出了基于支持向量机和深度信念网络两种机器学习算法的综合电力系统暂态功角稳定初步评估模型。在训练得到单一分类器的基础上，将机器学习算法之一的支持向量机和深度学习算法之一的深度信念网络进行综合。通过在新英格兰10机39节点系统的测试结果可以得出，浅层机器学习网络和深度学习网络的人工智能算法评估模型在暂态功角稳定评估中性能优越，相比之下深度学习网络评估性能更加精确，综合模型可以进一步降低漏判率，评估准确率较高。
　　(3)在综合评估模型给出的评估结果基础上，考虑降低误判率及提前辨识失稳机组，进一步提出了基于长短期记忆网络的功角轨迹预测方法。当初步评估结果为系统功角失稳时，将一定时间长度的功角序列输入训练好的长短期记忆网络进行轨迹预测。算例仿真结果表明，该方法能够提前发现失稳机组，减少系统误动作的次数，在快速性和精度方面对功角轨迹预测具有较好的效果，同时能够给运行人员提供有效信息，有助于更深入地了解电力系统失稳规律，给在线监控提供指导。