暂态稳定是电力系统规划和运行中的一个重要问题,许多大停电事故都是由暂态不稳定引起的。而现代电力系统互联规模不断扩大,大规模可再生能源接入和特高压交直流混联已成为趋势,增加了系统出现暂态不稳定的概率,因此亟需探索出一种快速而准确的暂态稳定评估方法,以确保系统的可靠性和完整性。随着广域测量系统的发展,可以通过相量测量单元(PMU)从大型电力系统中收集同步相量测量值。许多基于机器学习方法使用PMU量测数据实现在线暂态稳定评估,一定程度上克服了传统方法无法兼顾准确性和快速性的缺点。然而,由于大多数机器学习模型属于浅层模型,对数据的处理能力较弱,在评估准确性等方面仍有改进的空间。因此本文将改进后的卷积神经网络引入暂态稳定评估,为快速准确评估提供了新思路。其主要研究内容如下:通过模型的构建和特征量处理两个方面,提出一种对噪声和信息缺失有良好泛化性能的暂态稳定判别模型。用一维卷积神经网络(1D-CNN)构建暂态稳定评估模型,并在模型训练过程中加入批归一化(BN)算法加强暂态稳定判别模型的自适应能力。具体采用故障清除后的发电机功角和电压向量时序轨迹作为输入特征量,通过增加噪声数据和信息缺失数据扩充训练集,然后将扩充增强后的数据作为新的输入数据集训练暂态稳定评估模型。该方法能够直接面向底层的发电机量测时序数据,不再需要人为计算特征作为输入量,通过模型的自主学习能力提取受扰发电机端电气量与暂态稳定状态的映射。通过仿真结果发现所提出的分类器能够以较高的准确率预测稳定性状态,并且对存在噪声和测量值缺失情况具有良好的泛化性能。提出一种基于注意力机制的1D-CNN模型的暂态稳定评估方法。通过在1D-CNN中引入注意力机制处理被现有结构忽略的稳定与不稳定样本间时序轨迹特征的重要度差异,提取显著特征。通过算例仿真结果表明,该评估方法不仅拥有较高的评估准确率,而且对失稳样本具有更高的识别率,在PMU不完全配置条件下也有良好的适应能力。