随着互联网技术的发展,能源互联网已经深入人们的工作和生活。电网是能源互联网的重要组成部分,所以电力系统的暂态稳定性分析对能源互联网安全稳定运行有重要的意义。本研究中,用门图神经网络（Gated Graph Neural Network,GGNN）来评估电力系统的暂态稳定性,并推断造成电力系统失稳的事件类型。首先,条件生成对抗网络（Conditional Generative Adversarial Network,CGAN）,生成不稳定的样本数据,使稳定样本与不稳定样本达到平衡。样本分类平衡能使GGNN模型评估更准确。其次,将平衡后的数据图结构化,构成数据集,将图结构化的数据集作为训练测试集,训练GGNN的暂态稳定性评估（Transient Stability Assessment,TSA）模型。最后,测试已训练的GGNN模型,评估系统的暂态稳定性。在结果为失稳时,输出造成该系统失稳的事件。经过实验可以得出,相比与其他方法,本研究提出的方法准确率较好,且能够判断造成系统失稳的原因。利用Power Factory软件对IEEE-39英格兰总线系统进行时域仿真计算,得到5种不同事件下的稳定和不稳定的样本。得到的样本作为数据集,对CGAN和基于GGNN的TSA模型进行离线训练和在线测试。实验结果说明,CGAN能生成符合分布的数据,解决数据不平衡问题,且对暂态稳定评估模型的性能有提升。利用通过CGAN模型平衡后的数据集训练基于GGNN暂态稳定性评估模型,设置不同的训练测试集比例。实验表明,模型不论在哪个比例之下,准确率都比基于CNN暂态稳定性评估模型要高,且最高的准确率为92.09%。当系统的评估结果为不稳定时,通过GGNN模型,判断造成系统最可能的事件。实验表明,对造成系统不稳定的事件进行判断是可行的,且准确率为94.82%。