随着我国电力系统规模的不断扩大,结构日趋复杂,电力系统动态安全分析任务越来越繁重。对数量庞大的预想事故障集进行分析筛选,得到失稳的预想事故集和稳定的预想事故集是电力系统动态安全分析的一项重要任务。而机器学习技术的发展,为电力系统暂态稳定的快速判别提供了一条可行的途径。本文主要研究图像识别技术在电力系统动态安全分析中的应用,主要工作如下:第一,基于Python tkinter模块搭建了电力系统数据样本生成平台,能够对PSASP格式的数据文件进行编辑处理,调用暂态稳定计算程序并自动生成大量计算样本,为各类智能算法提供训练用样本。第二,提出了一种基于图像识别技术的暂态稳定判别方法,通过短时时域仿真获得系统故障后各台发电机的功角、频率、加速功率等物理量数据,以故障后短时内的物理量变化曲线图像作为卷积神经网络的输入,判定系统的暂态稳定性。在IEEE 39节点系统上验证了这一方法,并比较了三种物理量的识别效果。第三,研究了一种电力系统暂态稳定故障集筛选方法,以卷积神经网络softmax层输出的预想事故的分类概率为基础,应用不同仿真时长形成多个稳定性图像识别的卷积神经网络,分层筛选出稳定与不稳定的预想事故。在IEEE 39节点系统上验证了这一方法,并在较大规模的IEEE 300节点系统和省级433节点系统上进行了测试,改进了在故障集中含有较多多摆失稳、临界失稳的故障时的筛选方法。本方法在离线状态下训练得到符合要求的卷积神经网络,能够用于在线分析,有一定的实际应用价值。