随着电力市场的改革和负荷需求的快速增长,电网的传输能力已接近其极限,这对电力系统运行的安全性和稳定性提出了更高要求。尤其是,目前我国现代电网中感应电动机负载的普及率不断提高、以及电力系统对风力涡轮机低压穿越能力的要求更加严格等因素,电力系统的短期电压稳定性（Short-Term Voltage Stability,STVS）受到了严重的威胁,系统的STVS问题变的越来越突出。因此,本文针对如何准确、快速地评估电力系统STVS状态相关问题展开研究,主要工作如下:首先,本文介绍了循环神经网络（Recurrent Neural Network,RNN）的基本原理,并对其结构和训练过程了详细阐述。再对长短时记忆网络（Long Short Term Memory,LSTM）和基于带注意机制的双向门控循环单元（Bi-directional Gated Recurrent Unit with Attention Mechanism,Bi GRU-Attention）的内部结构和工作原理进行了分析,为后续构建基于深度学习的STVS评估模型奠定了基础。然后,采用了半监督模糊C均值聚类（Semi-supervised Fuzzy C-means,SFCM）的方法,通过少数已知标签的数据样本来指导聚类过程,解决了STVS评估问题中没有一个统一的可靠定量判据来界定系统稳定状态的问题,进而实现了对所有训练样本稳定/失稳的划分。之后,基于LSTM网络来构建深度学习评估模型,来充分挖掘系统动态轨迹中潜在的时间依赖关系,实现对系统STVS稳定状态准确、快速的评估与监测。在新英格兰39节点系统上验证了所提的基于LSTM评估方法的有效性,通过与传统浅层学习模型的对比分析,在评估准确性和评估速度方面进一步验证了所提方法的优越性。最后,针对深度学习算法不适用于数据资源不充足的“小样本”问题,提出了一种新颖的结合数据增强的深度学习智能评估方法。在该智能评估方法中,采用带条件的最小二乘生成对抗网络（Least Squares Condition Generative Adversarial Network,LSCGAN）对经SFCM聚类划分后具有标签的原始“小样本”数据集进行扩充。在数据增强后的大规模训练数据集上,对Bi GRU-Attention深度学习模型进行端到端的训练。Bi GRU-Attention深度学习模型从正、反两个方向来提取时间依赖关系,并通过注意力机制自动分配权重以突出关键信息。在新英格兰39节点系统上,通过与门控循环单元、LSTM等深度学习模型的对比,验证了所提方法的有效性和优越性。