暂态稳定评估是电力系统安全运行的关键。近年来,人工智能算法在电力系统暂态稳定评估中取得了良好成果,但仍处于理论阶段。主要是因为将其应用于实际工程时,会面临以下困难:1)暂态稳定数据具有高维性,数据在采集、传输过程中会受到相量测量单元中噪声的干扰;2)暂态失稳样本数目远小于稳定样本数目,导致模型对失稳样本学习不足,且两类样本误分类代价不同;3)现阶段的电力系统暂态稳定分类技术均已获得良好的评估准确性,但关于暂态稳定裕度的定量描述的研究很少。而暂态稳定裕度预测更有利于系统安全的预防和控制。论文对以上问题进行了深入的研究,主要的工作和成果有:（1）提出一种基于极限梯度提升树（e Xtreme Gradient Boosting,XGBoost）和实体嵌入网络的电力系统暂态稳定评估方法。所提方法使用XGBoost对原始特征进行快速地编码,编码后的特征矩阵维数较少,能够有效克服电力数据的维数灾难问题,加速实体嵌入网络的训练;实体嵌入将特征自身属性以及特征间关系映射到欧几里得空间,使编码后的特征空间能够进行可视化分析。另外,由于XGBoost转换后的特征是类别特征,具有离散性,因此噪声给模型带来的影响较小。（2）提出一种新型的XGBoost算法,并将其与双XGBoost回归树进行集成来实现暂态稳定的评估和裕度预测。在第一阶段,引入了权重系数对XGBoost进行改进,实现了对电力系统暂态稳定的评估。其中,引入权重系数的目的是克服模型在训练过程中因电力系统暂态稳定数据中稳定样本和失稳样本在数量上的不平衡引起的对失稳样本信息学习不完全的问题。在第二阶段,为了给后续的预防和紧急控制提供更有利的参考,采用了双XGBoost回归树分别建立了两类样本的裕度预测模型,对第一阶段新型的XGBoost模型确定为稳定和失稳的样本进一步评估,从而构建两类样本的精细化裕度预测模型。（3）提出一种基于贝叶斯优化的Light GBM（Light Gradient Boosting Machine）算法来实现暂态稳定裕度预测。Light GBM算法通过嵌入法对原始特征集中不同特征的相对重要度进行排序,筛选出对预测结果重要的特征,在保证较高的预测精度下减少了输入特征的维数,从而提高模型的训练速度。在选择参数过程中,引入贝叶斯优化算法对Light GBM进行参数寻优,相比于以往的网格搜索法和随机搜索法,该方法具有耗时短、寻优效果好的优点;在数据处理过程中,使用直方图算法离散化原始特征,使得模型的鲁棒性更好,抗噪能力更强。实验通过对均匀噪声和随机噪声的模拟,来测试模型的抗噪性能,同时从数据采集时间、模型响应时间和模型预测时间三个方面综合分析了模型的计算成本。通过IEEE标准系统的仿真结果表明,论文所提的三种方法可以作为传统的暂态稳定分析技术的补充,可以给电力系统的运行、调度、控制以及决策提供有利参考。