在电力系统互联规模不断扩大的背景下,低频振荡仍是威胁电力系统安全稳定运行的关键问题之一。低频振荡的产生原因主要可以分为负阻尼振荡机理和强迫振荡机理。由于不同类型的振荡所要采取的抑制或消除措施不同,电力系统运行人员需快速判别低频振荡的类型,若判别结果为强迫振荡,则还需及时定位扰动源以消除振荡。传统的振荡类型判别方法和强迫振荡扰动源定位方法难以适应互联规模越来越大、特性愈加复杂的电力系统。而同步相量测量单元的广泛投入使用和人工智能技术的快速发展,为准确感知电力系统低频振荡问题提供了一种新的解决思路。本文首先总结分析了低频振荡发生的理论基础和特性,揭示了传统低频振荡分析方法应用于现代电力系统的局限性以及人工智能方法解决低频振荡感知问题的适用性。进而,针对低频振荡感知领域的两个关键问题:低频振荡类型判别和强迫振荡扰动源定位,分别提出一种基于多维特征及Relief F-m RMR的低频振荡类型判别方法和一种基于深度迁移学习的强迫振荡扰动源分层式定位方法。本文的主要工作如下:（1）结合电力系统数学模型推导了负阻尼振荡和强迫振荡的产生机理,并分析了两种类型振荡的特性。在此基础上,针对低频振荡类型判别和强迫振荡扰动源定位问题阐释了基于机理分析的方法解决这两类问题的局限性,并结合人工智能的特点分析了人工智能对于这两类问题的适用性。最后在仿真系统中对理论分析结果进行了验证。（2）提出了一种基于多维特征及Relief F-m RMR的低频振荡类型判别方法。首先通过计算低频振荡信号的时域、频域、能量、相关性、复杂度和模态特征指标来全面描述振荡特征,再采用Relief F-m RMR特征选择算法对指标集进行筛选,提取与振荡类型相关度高且特征间冗余度小的特征子集。为了提升判别的准确率,采用遗传算法优化参数的支持向量机对低频振荡类型进行判别。最终,在仿真和实际系统中验证了所提方法的有效性、抗噪性和实用性。（3）提出了一种基于两阶段深度迁移学习的强迫振荡扰动源分层式定位方法。所提方法将定位过程分解为系统级定位与区域级定位,减轻了数据的传输压力和计算负担。通过采用PCA（Principle Component Analysis）提取系统级定位过程中的关键代表性信息,求取振荡信号的平滑伪Wigner-Ville分布并以图像形式表征振荡信号在时域、频域和空间上的特征信息,从而将扰动源定位问题转化为图像识别问题。最后,提出一种基于两阶段深度迁移学习的强迫振荡扰动源定位方法,提升定位模型的训练效率。最终,在仿真系统中验证了方法的有效性、鲁棒性和抗噪性。