随着交直流系统规模的不断扩大与运行工况的日益复杂,交直流大系统暂态电压稳定问题受到关注,亟需就暂态电压稳定进行快速评估从而确保系统的安全与稳定运行。在大系统电压暂态稳定评估领域,传统的时域仿真法和直接法由于计算耗时、适用性差等问题难以满足快速评估的要求。机器学习法为解决这一问题提供了新的思路,即无需建立物理模型,可通过数据挖掘、提升计算性能的方式实现快速评估。特别地,深度学习相比浅层机器学习模型在处理大规模数据时更具优势,本文以此为基本切入点展开相关研究。将深度学习法应用于交直流系统的暂态电压稳定评估之前,首先需要解决两个关键问题:(一)深度学习法需要大量的合理样本用于评估训练。若采用规模庞大的原始系统进行批量仿真生成样本过度消耗时间,严重阻碍了评估流程的快速性。(二)系统电压具有局部性特点,需要对系统不同区域的暂态电压稳定性分别展开评估。因此,借助动态等值技术缩减样本生成阶段的耗时,将大系统进行合理地分区并展开评估,是解决上述难题行之有效的方法。基于上述工作思路,本文展开了专题研究,主要研究内容如下:为保障基于深度学习的暂态电压稳定评估过程中样本生成的快速性,研究了交直流系统的动态等值问题。从交流系统支撑能力和高比例可再生能源并网的角度分析了影响交直流系统动态等值的特征约束,并以此为约束条件,以南方电网为研究对象制定了等值方案。所得到的南方电网等值系统解决了后续应用深度学习法评估时样本生成阶段耗时过多的问题。为实现对系统不同区域的暂态电压稳定性分别展开评估,提出了基于系统结构和暂态电压特征的双阶段分区方法,可以实现对大系统快速、合理的分区。第一阶段根据系统结构和地理位置特征进行初始分区,第二阶段对初始分区暂态电压特征相似性进行评估,采用层次聚类算法进行聚类分析得到最佳分区方案。分区结果为后续针对各个分区的评估点分别建立深度学习模型进行评估创造了前提条件。在动态等值和分区结果的基础上,提出了适应于深度学习暂态电压稳定评估的输入特征集构建方法。基于暂态电压稳定机理,从源-网-荷的角度分析影响暂态电压稳定的关键因素,兼顾稳态特征量和多维度的故障信息构建输入特征集,其中稳态特征量综合考虑系统级特征和元件级特征,并考虑了直流接入的影响,从而为输入特征集的构建提供了核心理论依据。以卷积神经网络(Convolutional Nerual Network,CNN)作为深度学习模型,研究了基于CNN的暂态电压稳定性预测及风险量化分级。根据CNN分类模型的稳定性预测结果,通过设置可信度阈值将样本可靠地划分为稳定集、失稳集、漏判失稳集和误判失稳集,进而采用CNN回归模型预测稳定裕度。依据预测的稳定裕度和可信度构建风险函数,对暂态电压稳定结果进行风险量化分级。最后,在南方电网等值系统上对输入特征集构建和基于CNN的暂态电压稳定性预测及风险量化分级方法的有效性进行了验证。本文方法通过完善输入特征集的构建有效地提高了预测的准确率,并突破了暂态电压稳定/失稳边界稳定性难以判断、耗时长的瓶颈,实现了交直流大系统的暂态电压稳定风险精确划分。本文引入深度学习方法,就交直流大系统暂态电压稳定快速评估展开专题研究。重点解决了获取训练样本的耗时难题,提出了考虑暂态电压稳定关键因素的输入特征集构建方法,研究了基于深度学习的交直流系统各分区暂态电压稳定评估方法,从而满足了当前复杂变化的运行方式下准确和快速评估的要求,对于全面感知交直流大系统整体的暂态电压安全风险态势和前瞻预警具有重要的理论意义。