随着经济的快速发展和社会环境因素的制约,电力系统的运行工况越来越接近稳定极限,同时也对电力系统电压稳定性的评估提出了新的要求。快速计算静态电压稳定裕度是在线评估电压稳定性的基本要求,传统方法因存在计算时间长、建模困难等问题,很难满足在线应用的需求。随着同步相量测量装置在电力系统中的广泛应用,实时获取的电网数据为静态电压稳定裕度的在线监控提供了可能。本文对极限梯度提升(e Xtreme Gradient Boosting,XGBoost)和卷积神经网络(Convolutional Neural Network,CNN)在静态电压稳定裕度预测中的应用进行了研究,旨在进一步提高模型预测准确度,研究内容和结果如下:(1)在数据获取方面,开发了样本的批量获取程序。利用连续潮流法追踪PV曲线,研究了发电机无功约束和网架结构对静态电压稳定裕度的影响;编制样本批量获取程序并得到了大量的IEEE-39节点系统静态稳定极限潮流数据,通过随机初始化电网运行状态并计及不同的N-1故障等方法保证样本的多样性。(2)研究了基于XGBoost的静态电压稳定裕度预测方法。通过调节参数提升了模型的预测性能;在分析特征重要度时发现,发电机的无功储备具有更高的重要度;通过选择重要度较高的特征训练模型,可以在一定程度上提升模型的泛化能力;通过对比预测值和真实值发现,XGBoost算法的预测性能良好。(3)研究了基于CNN的静态电压稳定裕度预测方法,优化了信息矩阵,并对网络结构和损失函数进行了优化改进。实验表明,通过优化信息矩阵可以使CNN的输入包含更多的网络拓扑信息,提高了模型的预测准确度;在卷积层后加入BN层以及对损失函数的改进,均有助于模型性能的进一步提升。改进CNN模型的R~2指标提高了0.0372,MAPE指标减少了4.57%。(4)针对静态电压稳定裕度预测问题,提出CNN-XGBoost模型,在网络底层通过CNN提取抽象特征,利用XGBoost算法对提取的特征进行拟合。在相同的测试集上对各模型进行对比实验,结果表明各模型的预测结果和实际计算结果变化趋势基本相同,可以提取网络拓扑信息的CNN模型的预测性能要优于XGBoost算法,相比之下,CNN-XGBoost模型的预测准确度最高。