暂态稳定评估是现代电力系统安全分析的主要内容。随着我国经济的高速推进,国民对于电力的需求越来越大,而复杂多变的电网运行工况给调度人员快速准确地评估电力系统的暂态稳定状态带来了巨大的挑战。传统的暂态稳定评估方法,如仿真时域法、直接法、扩展等面积法等过度依赖电网数学模型,导致分析过程的时效性与精度要求难以匹配电网的发展速度。随着广域量测系统(WAMS)的大范围应用,为基于数据驱动的电力系统暂态稳定评估带来了数据支撑,而基于计算机技术的人工智能法凭借自身强大的学习能力和极短的评估耗时等优点,为数据驱动的电力系统暂态稳定评估问题提供了强有力的工具。目前人工智能法一般采用电网受扰后的轨迹信息进行快速暂稳评估,而对于故障前的稳态信息利用相对较少。因此本文利用全阶段时间序列的电网特征信息,提出一种基于长短期记忆网络(LSTM)的电力系统暂态稳定评估及同调机群快速辨识方法,主要研究内容如下:1)通过采集全阶段时序特征作为模型的输入,充分提取电力系统发生故障的时序演进特征;结合轨迹分析方法构建电网暂态稳定评估指标,实现对发电机暂态稳定裕度的定量评估。2)在给定预想故障集下,构建利用LSTM刻画电网特征量与发电机稳定指标之间的映射关系,以实现发电机稳定指标的快速预测,为电网运行调度人员争取时间并提供决策支撑。3)利用LSTM对电网故障初期电压相量轨迹信息进行超实时预测,继而通过构建的轨迹偏移特征平面提取轨迹特征,并利用DBSCAN密度聚类方法对预测轨迹进行簇类划分,最终通过扩展等面积准则(EEAC)对同调辨识结果进行验证。采用IEEE-39节点系统进行仿真试验,结果验证了上述方法的有效性,所提方法通过LSTM可实现发电机稳定指标的快速预测和同调机群的准确辨识,与其他机器学习算法相比较,具有更好的泛化能力,可以为电网运行调度人员采取控制措施提供重要参考。该论文有图38幅,表10个,参考文献57篇。