【摘要】： 随着电力系统互联规模日益扩大以及市场体制改革逐渐深入,电网负荷不断加重,电压稳定形势面临挑战。快速求解系统负荷能力极限是在线评估电力系统静态电压稳定性的基本要求。传统基于连续潮流的静态电压稳定性研究方法因其计算复杂度太高无法满足在线应用的实时性要求。同时,广域量测系统的建设以及智能电网的发展为深度学习方法应用于电力领域提供了契机。本文提出了一种基于深度学习的电力系统静态稳定评估方法。有别于基于浅层BP神经网络的方法,该方法具备更强的自主特征学习能力,无需对数据进行前期特征处理,因而更加简洁。具体来说,我们提出了一种包含卷积层、池化层和全连接层三种层级结构的深度神经网络模型。该模型以电网多个潮流断面的运行数据为输入,以静态稳定极限负荷的预测值为输出。不同类型的潮流数据分别进入不同的通道,每个通道都是由卷积层和池化层组成的网络结构,其功能就是从原始潮流数据中分层次提取关键特征。然后所有特征被共同输入全连接网络,用于计算输出的预测值。我们利用连续潮流法在IEEE39系统上仿真获取静态稳定极限潮流数据,用于训练和测试模型,通过随机初始化电网状态等方法确保数据的多样性。最终我们提出的深度神经网络模型在预测的精确度和运算的速度两方面都取得了非常好的效果,并且在与其它模型的对比中展现了更加优秀的性能。