近年来,随着非工空调、大型工业用户、电动汽车充电站(桩)、微网、用户侧储能、可中断负荷等柔性负荷的大规模接入,特高压交直流互联规模的不断扩大,导致电网结构与运行方式愈加复杂,源-网-荷侧不确定性增加,对于电力系统的安全稳定运行是一个巨大的挑战。电力系统故障诊断和暂态稳定评估是电网安全风险态势感知和安全运行的重要保障,但是由于电力系统时常受到扰动甚至发生故障,传统电网保护方法因精确度与准确率的不足可能引起保护误动或拒动,同时目前安全稳定分析方法也无法满足暂态稳定的在线快速评估。因此,研究新的电力系统故障诊断与暂态稳定评估方法引起了国内外学者广泛关注。近年来,由于计算机技术和人工智能的不断发展,基于数据挖掘技术的机器学习方法为电力系统故障诊断和暂态稳定评估提供新的思路。本文的研究工作和成果主要有:(1)研究了一种基于遗传算法优化的粗糙集-反向传播神经网络电网故障诊断方法。首先采用遗传算法结合粗糙集对数据进行预处理;然后利用遗传算法优化反向传播神经网络的初始权值和阈值。仿真结果对比发现,该模型能够准确有效地进行故障诊断,具有可行性和有效性。(2)利用由中国电力科学研究院开发并在电力系统中广泛使用的PSD-BPA电力仿真软件进行电力系统暂态稳定仿真,采集不同运行状态下的数据,基于电力系统暂态稳定机理分析影响系统暂态稳定的关键因素,并结合现有文献的研究成果建立原始特征集,通过计算得到暂态稳定评估的原始样本集。(3)研究了一种基于主成分分析-支持向量机的电力系统暂态稳定评估方法。先利用主成分分析对数据降维,然后对支持向量机模型中核函数参数的寻优方法进行改进。仿真结果验证了该模型的有效性。(4)研究了一种基于深度神经网络的电力系统暂态稳定评估方法。利用深度神经网络强大的特征提取以及转换能力,通过调整合适的参数使模型优化,对原始样本集进行训练学习,最后进行暂态稳定评估。通过仿真结果的比较,表明了该模型比其他分类模型具有更高的评估准确率和实用性。