随着“十四五”电网建设的开展,传统电网逐渐向能源互联网转型,电网环境日益复杂,光伏、风电和电动汽车等分布式能源的渗透率逐渐提升,为电力系统安全稳定运行带来了新的挑战。传统的基于物理模型的紧急控制方法难以适应当前高维度、高随机性、高耦合的大规模互联电网,而广域测量系统提供的电网大数据和深度学习理论为电力系统暂态失稳后的实时紧急控制提供了新的思路。本文以深度学习为基础,提出了一套较为完整的暂态失稳紧急控制架构,主要研究内容如下:（1）为快速准确预测电力系统暂态稳定性,提出了一种基于CNN的动态时序暂态稳定评估方法。首先,采用不同特征选择方法提取了3种输入特征集,并对比选择了区分度最优的轨迹簇特征作为模型的输入;然后,挖掘输入特征与暂态稳定水平的映射关系,建立了CNN评估模型,具有较高的预测准确度、鲁棒性和泛化能力,且能进一步拟合系统失稳程度;最后,结合滑动时间窗和可信度指标,建立了动态时序评估流程,综合保证了暂态稳定预测的时效性和准确性。（2）为识别电力系统暂态失稳后的受扰严重机群,提出了一种基于LSTM功角轨迹预测模型的临界机群识别方法。首先,考虑失稳功角轨迹的时间关联性,建立了LSTM轨迹预测模型,并探究了不同模型参数对拟合效果的影响;然后,基于机组同调性对预测轨迹进行临界机群识别,为紧急控制提供备选动作空间;最后,通过算例验证LSTM轨迹预测模型的精度和快速性及临界机群识别的准确性,所提方法能提前发现并直观划分失稳机组,为紧急控制留出更多的决策时间。（3）为实现暂态失稳后的快速紧急控制,提出了一种基于改进Alex Net灵敏度预测的闭环紧急控制方案。首先,定义了紧急控制优化模型,并建立了控制动作的灵敏度指标;其次,结合紧急控制特点改进了Alex Net算法,并通过逐层寻优确定其结构,建立了基于改进Alex Net的紧急控制灵敏度预测模型,能准确、快速预测紧急控制动作的有效性,且模型鲁棒性和泛化能力较高;然后,兼顾快速性和准确性,结合所提暂态稳定评估和轨迹预测方法,提出了闭环时序紧急控制方案;最后,通过算例对所提方法的有效性进行测试验证。（4）为进一步解决实际电网的动作空间维数灾问题,提出了一种基于深度强化学习的紧急控制切机方案。首先,设计了基于DQN的紧急控制切机架构和算法,采用失稳模式聚类和多智能体综合建模的方法实现了动作空间降维,提高了训练效率;然后,搭建了智能体与仿真环境交互的一体化测试平台,实现了序贯切机控制;最后,结合多个算例,验证了该方法能使系统快速恢复暂态稳定。