随着现代电力系统的不断发展,复杂模块不断接入,为电网引入新的风险,导致其结构与动态特性更加复杂,面对故障时,系统进行稳定分析与控制的难度增加,因此,快速、准确地掌握电力系统暂态态势,实现暂态稳定评估,具有重要意义。传统暂态稳定分析方法中,时域仿真法,模型构建较为精细,计算结果准确,但是耗时长,电网规模不断增大,计算速度受到制约,难以在线应用。直接法,计算速度快,但是采用简化模型,结果偏保守,机器学习法为该问题提供了新的解决方法。本文结合现代电力系统暂态机理复杂问题,将机器学习方法引入电力系统暂态稳定评估中,主要研究工作和成果如下:（1）介绍系统暂态过程中发电机转子运动情况和暂态稳定机理,采用PSDBPA仿真软件进行标准系统模型搭建,并模拟电力系统同步相量测量装置PMU（Phasor Measurement Unit,PMU）采集信息,获取原始数据集。（2）提出基于多粒度级联轻型梯度提升机MGS-LGBM（Multi-Grained Scanning Cascade Light Gradient Boosting Machine,MGS-LGBM）算法的电力系统暂态稳定评估方法,MGS-LGBM具有超参数设置简单、模型泛化能力强、分类准确率高、训练评估快等特点。首先从暂态稳定机理角度出发,采取三段式故障信息表示法,兼顾时效性与全局性,提取23个人工特征量,实现原始样本集转换,然后将人工特征样本集,输入MGS-LGBM模型中,稳定结果作为输出量,利用模型中的多粒度扫描和级联结构对样本特征和结果进行高效并行训练。通过新英格兰10机39节点系统仿真验证,与其它机器学习算法比较,所提算法在提高暂态评估准确率的同时兼顾快速性,且在含有无关特征和训练集较少的情况下仍能保持较好的评估性能。（3）提出基于改进深度残差收缩网络IDRSN（Improved Deep Residual Shrinkage Networks,IDRSN）的电力系统暂态稳定评估方法,无需人工提取特征,结合深度学习特征提取优势,直接采用PMU采集的底层量测电气量,构建为特征图形式作为模型输入,利用模型深层结构建立输入与稳定结果之间的映射关系;面对PMU量测数据在采集和传输过程可能存在噪声问题,模型通过注意力机制,采用软阈值函数自动学习噪声阈值,减小噪声及无关特征干扰;针对由于暂态稳定与失稳样本不平衡,导致基于数据驱动的暂态稳定评估模型训练的倾向性以及误判后果严重问题,所提模型通过焦点损失函数FL（Focal Loss,FL）,引入权重系数修正模型训练的倾向性,利用调制因子重点关注误分类样本,提高模型训练效率和评估性能。通过算例验证,所提模型能够有效减小不同程度的噪声干扰,在不平衡数据集上修正模型训练偏向性,减少误分类样本,在不同PMU配置方案下,均取得较好评估效果。