电力系统作为能源供应体系中的重要组成部分,对国家经济发展及社会活动具有战略性意义。暂态稳定分析及预防控制为保障电力系统安全稳定运行发挥重要作用。为应对电力系统运行方式复杂多变的特点,具有强自适应能力的在线暂态稳定分析及预防控制将成为电力系统安全稳定运行必不可少的重要支柱。电力大数据和人工智能技术为其发展提供了新的契机。为此,本文围绕数据驱动在电力系统暂态稳定分析及预防控制中的应用,展开如下研究工作:（1）提出了一种预想故障和潮流数据混合驱动的在线暂态稳定分析建模新方法,以规避在线评估过程中进行耗时的时域仿真,同时消除模型冗余。设计了混合信息训练数据集,并引入独热编码表达混合信息训练数据集中的数字量特征,提升了暂态稳定分析模型的性能。此外,提出了改进型自适应合成采样算法,以改善暂态稳定分析中样本数据不平衡问题。（2）针对电力系统拓扑变化的应用场景,提出了一种基于迁移学习的在线暂态稳定分析方法。引入数据迁移学习思想至暂态稳定分析建模过程,充分挖掘并利用现有暂态稳定分析数据的信息,辅助在新故障和新拓扑场景下暂态稳定分析模型的构建和更新,实现暂态稳定分析模型的易扩展性和易更新性。（3）针对全局暂态稳定预防控制方法实时性不足的问题,提出了一种新的基于模型解释的序贯暂态稳定预防控制方法。首先设计了基于模型解释的序贯暂态稳定预防控制框架。然后在此框架基础上,引入了两种模型解释方法——与模型无关的局部可解释方法（Local Interpretable Model-agnostic Explanations,LIME）和核-Shapley加性解释方法（Kernel-Shapley Additive Explanations,K-SHAP）,以解释在线暂态稳定分析监测到的不安全运行方式,快速识别关键控制机组。最后提出了两种可行的基于模型解释的序贯暂态稳定预防控制策略:双暂态稳定分析模型驱动策略和单暂态稳定分析模型驱动策略,实现暂态稳定预防控制的在线生成。