现代电网日渐扩大的互联规模,不断接入的各式电力电子设备及大规模的可再生能源,使许多的不确定因素影响了电力系统的运行状态,愈发凸显其安全性、复杂性和鲁棒性三者间的矛盾,还使它的动态特性更加复杂化,因此就需进行更高标准的系统安全稳定分析与控制。在系统运行的稳定与安全方面,对系统的暂态稳定性做出准确快速地预测,然后进行有效预防控制措施的提出十分重要,这是由于导致系统大规模停电的重要原因是电力系统的暂态稳定被破坏。近年来,随着广域测量系统的规模化应用和计算机技术的快速发展,基于人工智能技术的电力系统暂态稳定状态预测受到了各国学者的广泛关注。通常,基于人工智能技术的暂态稳定状态预测被当作一个两模式的分类问题来处理,即分为稳定和失稳两类。传统的电力系统暂态稳定评估方法未考虑分类结果的不均衡性,所以会严重影响最终的分类结果。本文从考虑分类结果不均衡性的角度出发,提出了基于集成极限学习机的电力系统暂态稳定评估方法。论文主要研究内容如下:（1）首先阐述了电力系统暂态稳定评估分类结果的不均衡性,并基于损失函数分析了类别不均衡性给电力系统暂态稳定评估结果带来的影响。根据混淆矩阵,列出了评价预测结果的性能指标。针对分类结果的不均衡性,提出评价指标应满足的准则,比较和分析了传统的评价指标和本文所要采用的G-mean评价指标。（2）以新英格兰10机39节点为测试系统,采用暂态稳定时域仿真软件Power System Tool 3.0程序包,通过设置不同初始条件和不同的故障条件仿真生成不同的样本数据,并根据原始特征集的构造获得需要的已分类好的初始样本集。为了剔除冗余特征和无关特征,降低分类难度,本文在分析和比较不同特征选择方法优缺点的基础上,提出Relief和序列前向搜索（SFS）相结合的混合式特征选择方法。（3）为了解决电力系统暂态稳定状态预测结果的不均衡性,本文从抽样角度考虑,以极限学习机（ELM）为分类器,提出了一种基于集成学习的电力系统暂态稳定评估方法。并在测试系统上验证了所提方法的有效性和准确性。