电力系统的静态电压稳定性，对于保证系统正常运行起着关键作用。传统的静态电压稳定裕度评估方法难以满足在线实时预测的要求，常用的离线监督预测方法，如BP神经网络、CNN神经网络等则需要大量的训练样本，且容易出现过拟合现象，会对预测精度造成影响。因此，研究一种自适应优化网络参数、对训练集数据量要求较低的方法，具有重要意义。本文将神经网络、半监督训练、集成学习等技术应用于电力系统静态电压稳定裕度的预测分析中，提出了基于Tri-Training-Lasso-BP网络的在线预测方法，由三体训练法（Tri-Training）、最小绝对值收缩选择（least absolute shrinkage and select operator，Lasso）方法和BP（back propagation）神经网络组成。在IEEE 39节点和IEEE 300节点算例上的分析结果表明，本文方法能够降低对训练集数据量的要求，发挥电力系统日常运行过程中采集的海量数据的优势，提高网络的预测精度，减少人工干预。最后，本文采用统计学方法对网络的性能作了比较全面和客观的描述。