暂态稳定评估(TSA)对电力系统的稳定安全运行具有重要意义。TSA信息用于在突发事件期间做出控制决策,支撑电网的调度操作。目前,为了满足不断增长的电力需求和电力电子设备的广泛应用,系统的互连性增强,瞬态稳定性要求提升,亟需对TSA开展深入研究分析。如果无法评估暂态稳定性,可能会导致严重故障,例如断电和电源系统中的其他一些限制。不同的传感器,PMU和其他测量设备的部署由于其先进的功能和具有时间同步性的性能而有所增加。TSA的常规方法无法处理来自这些设备的大量数据。深度学习方法可以在早期或几个突发事件之后更准确,更快地评估TSA,以便做出快速控制决策,以保护系统免受严重状态和停机的影响。而传统的时域模拟法和直接法多用于基于轨迹和能量函数的分析,方法很耗时,且不能满足大功率系统目前的大量计算要求。因此,需要深度学习方法来进行数据挖掘和特征提取以进行暂态稳定性评估。目前,相关深度学习方法提升了 TSA的计算速度和评估准确性,但在解决海量计算数据方面具有局限性,也缺乏定量评估和鲁棒性。因此,为了改进TSA计算方法,本文提出了两种不同模型与算法。首先,本文提出了一种混合CNN-LSTM模型,该模型提高了输入和输出数据之间非线性关系映射的准确性,通过对电压相量特征提取,实现瞬态稳定性评估,通过IEEE 39总线新英格兰电力系统以验证其准确性。其次,提出了基于电压相量的Bi-LSTM注意力机制模型,将Bi-LSTM注意力机制用于映射电压相量和系统暂态稳定性之间的关系,通过在扰动水平的初始阶段建立暂态稳定信息的样本矩阵,使提取的特征更加鲁棒,有效地减少了虚假和遗漏的样本,从而提高了模型的泛化能力和评估性能。而且,通过调整最佳评估指标的网络结构参数。建立输入特征与暂态稳定性之间的映射模型,以进一步减少误报和样本丢失,有效提高网络模型评估的准确性。该改进模型结合了 Bi-LSTM特征提取层和注意力机制,形成了用于瞬态稳定分类模型的混合模式,通过IEEE 39总线的新英格兰电力系统用于验证模型的准确性;通过在生成的数据中引入了广域噪声,以评估系统的鲁棒性。最后,将该方法用于实现基于电压相量的电力系统暂态稳定评估,通过将所提出的混合模型与另一个模型进行比较,证明了所提出模型的有效性;通过将该模型与其他浅层和深度学习模型进行比较,证明了其准确性和有效性。