随着现代电力系统的快速发展,新能源大规模并入电网,特高压交直流混联趋势日加明显,电网互联程度日趋紧密,这使得电力系统规模不断扩大,复杂性大幅提高,愈发接近安全稳定运行极限。且现代电力系统高维非线性,故障发生速度快,响应时间短,这无疑加大了暂态稳定预测的难度。为给故障后的紧急控制留出充足的时间裕度,亟需一种更加快速准确的暂态稳定预测方法。近年来,以数据挖掘和机器学习为代表的人工智能领域得到了迅速发展,随着基于同步向量测量单元（Phasor Measurement Unit,PMU）的广域测量系统（Wide-Area Measurement System,WAMS）的快速普及提供了海量量测数据,使得以数据作为驱动,较传统电力系统暂态稳定方法更能够兼顾快速性和准确性的人工智能预测方法成为了当前的研究热点。尽管此类方法优点颇多,但其在模型选择、特征构建等诸多方面尚有改进提高之处,针对现有方法的不足,同时为进一步提高预测的速度和准确度,本文基于深度学习理论进行电力系统的暂态稳定预测方法研究,论文主要工作如下:为免去人为构建输入特征的不确定性,同时提高暂态稳定预测的准确度,提出了一种基于二维卷积神经网络的端到端暂态稳定预测方法。首先,根据PMU可量测的发电机节点数据选择原始输入特征;然后,考虑到输入特征数据的高维时序性,利用二维卷积神经网络构建暂态稳定预测模型;最后,根据递归特征消除思想,选取最优输入特征组合,训练得到最优预测模型,进行电力系统暂态稳定预测。所提方法利用二维卷积神经网络优秀的特征自提取能力,充分挖掘单一特征的时序信息和不同特征的关联信息,有效解决了传统数据驱动型电力系统暂态稳定预测方法中输入特征构建困难的问题,实现了端到端的电力系统暂态稳定预测,并通过合理系统的特征选取方法,有效提高了预测性能。为解决多采样点下模型预测准确度和速度的不兼容问题,提出了一种基于长短期记忆网络组合二维卷积神经网络的暂态稳定预测方法。该方法利用长短期记忆网络进行特征时序预测,在此基础上叠加二维卷积神经网络,以PMU采集数据和特征时序预测数据作为其输入,输出电力系统暂态稳定预测结果。所提方法充分考虑了采样时长增加对预测精度的促进作用,充分发挥了长短期记忆神经网络的时序预测能力和二维卷积神经网络的特征自提取能力,在更少的数据需求量下,实现了快速度、高准确度的电力系统暂态稳定预测。以新英格兰10机39节点系统作为测试系统,选取合适的评价指标对所提暂态稳定预测方法进行评价,实验结果表明,相较于以往基于人工智能的电力系统暂态稳定预测方法,所提方法具有更好的预测性能。