随着电力系统的不断发展,电能的应用领域不断增多,使得人们对电力系统稳定性的要求也越来越高,快速、有效地对系统受扰后未来的稳定性进行准确预测已成为保证电力系统安全稳定运行、提升电能供应可靠性的重要手段之一。近年来,同步相量测量装置和人工智能技术不断发展,使得许多机器学习方法被应用于暂态稳定预测当中,给问题的解决提供了一种新的思路。然而,由于机器学习处理数据的能力有限,因此该方法仍然存在很多局限。为了解决传统方法的不足,本文探索利用时序数据结合深度学习方法进行电力系统暂态稳定预测,主要做了如下工作:针对以往研究构造的初始输入特征存在所选数据不易采集或在PMU不能全面覆盖的条件下难以进行的问题,提出了一种利用系统重要母线上的时序数据进行初始输入特征构造的方法,该方法仅在基于整数规划所选择的重要母线上采用电压幅值、相角以及发电机支路有功三类基本电气量的时间序列数据作为深度学习模型的初始输入特征,所选数据易于采集,无需二次计算,且不需要以PMU全覆盖为条件,适应性强。为了提高电力系统暂态稳定预测的准确性,提出了一种基于BiLSTM-CNN-SVM的预测模型。该模型以双向长短时记忆网络和卷积神经网络的融合结构作为模型的特征提取部分,利用支持向量机对分类器部分进行了设计,采用两阶段的训练方式分别对特征提取器和分类器进行训练,此外,还对模型进行了正则化设计,以防止出现过拟合现象。所提模型通过独特的结构设计,具有较好的数据处理能力,预测准确性高,抗噪能力好。在经典系统中对所提算法进行了实验论证,分别对所提出的时间序列特征构造方法和深度学习模型与其他方法进行了对比。结果表明,所提方法在无噪声和有噪声数据条件下均能保持较高的预测能力,且能够在大幅缩减数据量的同时保证预测的准确性。