电力系统故障应对一直以来都是我国电网建设和发展过程中十分重视的关键问题,是保障电力系统安全稳定运行的核心措施。随着以深度学习为代表的第三代人工智能浪潮的兴起,探讨智能的新型电力系统故障应对方案,能够更好地适应当前大规模复杂电网中高维度、多关联及强不确定性的特点,为保障电力系统安全稳定运行提供一种新的思路方法。为此,本文开展了基于深度学习的电力系统故障应对方法研究,主要研究工作及成果归纳如下:提出了一种基于单端行波信号的输电线路区内外故障智能判断新方法。基于行波信号传输原理,分析了不同故障位置单端故障行波信号特征的相似性和差异性;通过门控循环单元搭建了一个深度学习分类网络,根据线路长度将单端故障行波信号切割为短序列作为神经网络的输入,输出为反向区外故障、区内故障和正向区外故障三种故障位置的概率;并采用自适应Adam优化算法对神经网络的参数进行训练。算例结果表明,所提方案充分有效地利用行波信号中的故障特征,能够准确辨别输电线路区内外故障,在线路的首末端都具有较高的鲁棒性,并且在高噪声干扰的情况下仍能保持良好的准确率。提出了一种基于生成对抗网络（Generative Adversarial Networks,GAN）的后备保护在线整定快速计算新方案。构建了一个基于Wasserstein距离的条件GAN;以系统运行方式作为条件标签输入,将后备保护定值配合对转化为矩阵的索引,由此形成后备保护配合对矩阵,作为GAN训练的真实样本数据;并采用卷积神经网络作为神经网络的主体以实现并行计算。算例结果表明,所提方案通过GAN学习真实样本数据中各个后备保护定值之间复杂的配合关系,能够根据不同的运行方式给出相应的配合对矩阵,实现了后备保护在线整定的快速计算。提出了一种基于改进深度强化学习算法的超导故障限流器（Superconducting Fault Current Limiter,SFCL）优化配置新方法。建立了马尔科夫决策过程的模型,将SFCL优化配置问题转化为一个强化学习问题;对用于求解该强化学习问题的深度Q学习算法进行了改进,提高了算法的计算效率和收敛性能;基于灵敏度优化强化学习中的动作选择策略,减少智能体在算法早期的低效率寻优。算例结果表明,所提算法具有出色的寻优能力和高效的收敛性能,能够求解大规模电力系统中的SFCL优化配置问题。