[1]	中华人民共和国国务院新闻办公室. 新时代的中国能源发展［N］. 人民日报， 2020 - 12 - 22（010）. Cited in this article [1]

[2]	国家发展改革委， 国家能源局. “十四五”可再生能源发展规划［R］. 北京： 国家发展改革委， 国家能源局， 2022. Cited in this article [1]

[3]	张智刚， 康重庆. 碳中和目标下构建新型电力系统的挑战与展望［J］. 中国电机工程学报， 2022， 42（8）： 2806 - 2819. ZHANG Zhigang， KANG Chongqing. Challenges and prospects for constructing the new-type power system towards a carbon neutrality future［J］. Proceedings of the CSEE， 2022， 42（8）： 2806 - 2819. Cited in this article [1]

[4]

胡博， 谢开贵， 邵常政， 等. 双碳目标下新型电力系统风险评述：特征、指标及评估方法［J］. 电力系统自动化， 2023， 47（5）： 1 - 15. HU Bo， XIE Kaigui， SHAO Changzheng， et al. Commentary on risk of new power system under goals of carbon emission peak and carbon neutrality： characteristics， indices and assessment methods［J］. Automation of Electric Power Systems， 2023， 47（5）： 1 - 15. Cited in this article [1]

[5]	张沛， 杨华飞， 许元斌， 等. 电力大数据及其在电网公司的应用［J］. 中国电机工程学报， 2014， 34（S1）： 85 - 92. ZHANG Pei， YANG Huafei， XU Yuanbin， et al. Power big data and its application scenarios in power grid［J］. Proceedings of the CSEE， 2014， 34（S1）： 85 - 92. Cited in this article [1]

[6]	CREMER J L， KONSTANTELOS I， TINDEMANS S H， et al. Data-driven power system operation： exploring the balance between cost and risk［J］. IEEE Transactions on Power Systems， 2019， 34（1）： 791 - 801. Cited in this article [1]

[7]	范士雄， 赵泽宁， 郭剑波， 等. 数据驱动的电力系统暂态稳定评估方法综述［J］. 中国电机工程学报， 2024， 44（9）： 3408 - 3429. FAN Shixiong， ZHAO Zening， GUO Jianbo， et al. Review on data-driven power system transient stability assessment technology［J］. Proceedings of the CSEE， 2024， 44（9）： 3408 - 3429. Cited in this article [3]

[8]

杨博， 陈义军， 姚伟， 等. 基于新一代人工智能技术的电力系统稳定评估与决策综述［J］. 电力系统自动化， 2022， 46（22）： 200 - 223. YANG Bo， CHEN Yijun， YAO Wei， et al. Review on stability assessment and decision for power systems based on new-generation artificial intelligence technology［J］. Automation of Electric Power Systems， 2022， 46（22）： 200 - 223. Cited in this article [1]

[9]	汤涌， 姚伟， 王宏志， 等. 电网仿真分析与决策的人工智能方法［J］. 中国电机工程学报， 2022， 42（15）： 5384 - 5405. TANG Yong， YAO Wei， WANG Hongzhi， et al. Artificial intelligence techniques for power grid simulation analysis and decision making［J］. Proceedings of the CSEE， 2022， 42（15）： 5384 - 5405.

[10]

黄济宇， 管霖， 郭梦轩， 等. 图深度学习技术在智能暂态稳定评估中的应用及展望［J］. 电网技术， 2023， 47（4）： 1500 - 1511. HUANG Jiyu， GUAN Lin， GUO Mengxuan， et al. Application and prospect of graph deep learning technique in intelligent transient stability assessment［J］. Power System Technology， 2023， 47（4）： 1500 - 1511. Cited in this article [1]

[11]	CARO F D， COLLIN J A， GIANNUZZI G M， et al. Review of data-driven techniques for on-line static and dynamic security assessment of modern power systems［J］. IEEE Access， 2023（11）： 130644 - 130673.

[12]	王小君， 窦嘉铭， 刘曌， 等. 可解释人工智能在电力系统中的应用综述与展望［J］. 电力系统自动化， 2024， 48（4）： 169 - 191. WANG Xiaojun， DOU Jiaming， LIU Zhao， et al. Review and prospect of explainable artificial intelligence and its application in power systems［J］. Automation of Electric Power Systems， 2024， 48（4）： 169 - 191.

[13]

蒲天骄， 赵琦， 王新迎. 电力人工智能技术研究框架、应用现状及展望［J/OL］. 电网技术， 1 - 21［2025 - 05 - 08］.http：//kns.cnki.net/ kcms/detail/11.2410.tm.20241024.1500.002.html. PU Tianjiao， ZHAO Qi， WANG Xinying. Technology framework， application status and prospects on electric power artificial intelligence［J/OL］. Power System Technology， 1 - 21［2025 - 05 - 08］. http：//kns.cnki.net/kcms/detail/11.2410.tm.20241024.1500.002.html. Cited in this article [1]

[14]	KUNDUR P， PASERBA J， AJJARAPU V， et al. Definition and classification of power system stability IEEE/CIGRE joint task force on stability terms and definitions［J］. IEEE Transactions on Power Systems， 2004， 19（3）： 1387 - 1401. Cited in this article [1]

[15]	THIRUGNANASAMBANDAM V， JAIN T. AdaBoost classifiers for phasor measurements-based security assessment of power systems［J］. IET Generation， Transmission & Distribution， 2018， 12（8）： 1747 - 1755. Cited in this article [1]

[16]	HOBSON E， ALLEN G N. Effectiveness of artificial neural networks for first swing stability determination of practical systems［J］. IEEE Transactions on Power Systems， 1994， 9（2）： 1062 - 1068. Cited in this article [1]

[17]

史法顺， 吴俊勇， 吴昊衍， 等. 基于深度学习的电力系统暂态功角与暂态电压稳定裕度一体化评估［J］. 电网技术， 2023， 47（2）： 741 - 758. SHI Fashun， WU Junyong， WU Haoyan， et al. Integrated evaluation of power system transient power angle and transient voltage stability margin based on deep learning［J］. Power System Technology， 2023， 47（2）： 741 - 758. Cited in this article [1]

[18]	ADETOKUN B B， MURIITHI C M， OJO J O. Voltage stability assessment and enhancement of power grid with increasing wind energy penetration［J］. International Journal of Electrical Power & Energy Systems， 2020（120）： 105988.1 - 105988.11. Cited in this article [1]

[19]	XU Y， ZHANG R， ZHAO J， et al. Assessing short-term voltage stability of electric power systems by a hierarchical intelligent system［J］. IEEE Transactions on Neural Networks and Learning Systems， 2016， 27（8）： 1686 - 1696.

[20]

孙家豪， 王笑雪， 李光辉， 等. 换相失败引起送端电网过电压的定量计算及影响因素［J］. 电力系统及其自动化学报， 2020， 32（12）： 62 - 68. SUN Jiahao， WANG Xiaoxue， LI Guanghui， et al. Quantitative calculation and influencing factors of overvoltage of sending-side system caused by commutation failure［J］. Proceedings of the CSU-EPSA， 2020， 32（12）： 62 - 68. Cited in this article [1]

[21]	GOLPÎRA H. Bulk power system frequency stability assessment in presence of microgrids［J］. Electric Power Systems Research， 2019， 174： 105863.1- 105863.10. Cited in this article [1]

[22]

王青， 孙华东， 马世英， 等. 电力系统小干扰稳定安全评估的一般原则及其在贵州电网中的应用［J］. 电网技术， 2009， 33（6）： 24 - 28. WANG Qing， SUN Huadong， MA Shiying， et al. General principle of power system small signal stability evaluation and its application in Guizhou power grid［J］. Power Systems Technology， 2009， 33（6）： 24 - 28. Cited in this article [1]

[23]

马宁宁， 谢小荣， 贺静波， 等. 高比例新能源和电力电子设备电力系统的宽频振荡研究综述［J］. 中国电机工程学报， 2020， 40（15）： 4720 - 4731. MA Ningning， XIE Xiaorong， HE Jingbo， et al. Review of wide-band oscillation in renewable and power electronics highly integrated power systems［J］. Proceedings of the CSEE， 2020， 40（15）： 4720 - 4731. Cited in this article [1]

[24]

毛安家， 马静， 蒯圣宇， 等. 高比例新能源替代常规电源后系统暂态稳定与电压稳定的演化机理［J］. 中国电机工程学报， 2020， 40（9）： 2745 - 2756. MAO Anjia， MA Jing， KUAI Shengyu， et al. Evolution mechanism of transient and voltage stability for power system with high renewable penetration level［J］. Proceedings of the CSEE， 2020， 40（9）： 2745 - 2756. Cited in this article [1]

[25]

朱泽翔， 李诗旸， 张建新， 等. 南方电网多直流协调稳定控制系统实现与验证［J］. 南方电网技术， 2020， 14（12）： 10 - 16. ZHU Zexian， LI Shiyang， ZHANG Jianxin， et al. Implementation and verification of multi-DC coordinated stability control system in China Southern Power Grid［J］. Southern Power System Technology， 2020， 14（12）： 10 - 16. Cited in this article [1]

[26]	HATZIARGYRIOU N， MILANOVIC J， RAHMANN C， et al. Definition and classification of power system stability – revisited & extended［J］. IEEE Transactions on Power Systems， 2021， 36（4）： 3271 - 3281. Cited in this article [1]

[27]

范越， 李永莱， 舒印彪， 等. 新型电力系统平衡构建与安全稳定关键技术初探［J］. 中国电机工程学报， 2025， 45（1）： 14 - 25. FAN Yue， LI Yonglai， SHU Yinbiao， et al. Preliminary study on key technologies of balancing and stabilizing of renewable-energy-dominated power system［J］. Proceedings of the CSEE， 2025， 45（1）： 14 - 25. Cited in this article [1]

[28]	王康， 孙宏斌， 张伯明， 等. 基于二维组合属性决策树的暂态稳定评估［J］. 中国电机工程学报， 2009， 29（S1）： 17 - 24. WANG Kang， SUN Hongbin， ZHANG Boming， et al. Transient stability assessment based on 2D combined attribute decision tree［J］. Proceedings of the CSEE， 2009， 29（S1）： 17 - 24. Cited in this article [2]

[29]	KRISHNAN V， MCCALLEY J D， HENRY S， et al. Efficient database generation for decision tree based power system security assessment［J］. IEEE Transactions on Power Systems， 2011， 26（4）： 2319 - 2327. Cited in this article [2]

[30]	马骞， 杨以涵， 刘文颖， 等. 多输入特征融合的组合支持向量机电力系统暂态稳定评估［J］. 中国电机工程学报， 2005， 25（6）： 17 - 23. MA Qian， YANG Yihan， LIU Wenying， et al. Power system transient stability assessment with combined SVM method mixing multiple input features［J］. Proceedings of the CSEE， 2005， 25（6）： 17 - 23. Cited in this article [2]

[31]

田芳， 周孝信， 于之虹. 基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估［J］. 电力系统保护与控制， 2017， 45（22）： 1 - 8. TIAN Fang， ZHOU Xiaoxin， YU Zhihong. Power system transient stability assessment based on comprehensive SVM classification model and key sample set［J］. Power System Protection and Control， 2017， 45（22）： 1 - 8. Cited in this article [2]

[32]	VENKATESH T， JAIN T. Synchronized measurements-based wide area static security assessment and classification of power systems using case based reasoning classifiers［J］. Computers & Electrical Engineering， 2018， 68， 513 - 525. Cited in this article [2]

[33]

赵研， 霍红， 徐晗桐. 二阶段随机森林分类方法在低频振荡监测中的应用［J］. 东北电力大学学报， 2020， 40（2）： 60 - 67. ZHAO Yan， HUO Hong， XU Hantong. Application of two-stage random forest classification method to low-frequency oscillation monitoring［J］. Journal of Northeast Electric Power University， 2020， 40（2）： 60 - 67. Cited in this article [2]

[34]

叶圣永， 王晓茹， 刘志刚， 等. 基于受扰严重机组特征及机器学习方法的电力系统暂态稳定评估［J］. 中国电机工程学报， 2011， 31（1）： 46 - 51. YE Shengyong， WANG Xiaoru， LIU Zhigang， et al. Power system transient stability assessment based on severely distributed generator attributes and machine learning method［J］. Proceedings of the CSEE， 2011， 31（1）： 46 - 51. Cited in this article [2]

[35]

周艳真， 吴俊勇， 于之虹， 等. 用于电力系统暂态稳定预测的支持向量机组合分类器及其可信度评价［J］. 电网技术， 2017， 41（4）： 1188 - 1196. ZHOU Yanzhen， WU Junyong， YU Zhihong， et al. Support vector machine ensemble classifier and its confidence evaluation for transient stability prediction of power systems［J］. Power System Technology， 2017， 41（4）： 1188 - 1196. Cited in this article [2]

[36]	RAMIREZ G M， SEVILLA F R S， KORBA P. Convolutional neural network based approach for static security assessment of power systems［C］//2021 World Automation Congress （WAC）， August 4， 2021，Taipei， China. New York： IEEE， 2021： 106 - 110. Cited in this article [2]

[37]	YAN R， GENG G， JIANG Q， et al. Fast transient stability batch assessment using cascaded convolutional neural networks［J］. IEEE Transactions on Power Systems， 2019， 34（4）： 2802 - 2813.

[38]

田芳， 周孝信， 史东宇， 等. 基于卷积神经网络综合模型和稳态特征量的电力系统暂态稳定评估［J］. 中国电机工程学报， 2019， 39（14）： 4025 - 4032. TIAN Fang， ZHOU Xiaoxin， SHI Dongyu， et al. Power system transient stability assessment based on comprehensive convolutional neural network model and steady-state features［J］. Proceedings of the CSEE， 2019， 39（14）： 4025 - 4032.

[39]	杨维全， 朱元振， 刘玉田. 基于卷积神经网络的暂态电压稳定快速评估［J］. 电力系统自动化， 2019， 43（22）： 46 - 51，136. YANG Weiquan， ZHU Yuanzhen， LIU Yutian. Fast assessment of transient voltage stability based on convolutional neural network［J］. Automation of Electric Power Systems， 2019， 43（22）： 46 - 51，136. Cited in this article [2]

[40]	卢锦玲， 郭鲁豫. 基于改进深度残差收缩网络的电力系统暂态稳定评估［J］. 电工技术学报， 2021， 36（11）： 2233 - 2244. LU Jinling， GUO Luyu. Power system transient stability assessment based on improved deep residual shrinkage network［J］. Transactions of China Electrotechnical Society， 2024， 36（11）： 2233 - 2244. Cited in this article [2]

[41]

刘颂凯， 党喜， 崔梓琪， 等. 针对样本类不平衡的深度残差网络电力系统暂态稳定评估方法［J］. 智慧电力， 2024， 52（1）： 116 - 123. LIU Songkai， DANG Xi， CUI Ziqi， et al. Transient stability evaluation method for power systems with deep residual network considering class imbalance of samples［J］. Smart Power， 2024， 52（1）： 116 - 123. Cited in this article [2]

[42]	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition［C］//Proceedings of the 29th IEEE Conference on Computer Vision and Pattern Recognition， June 26-July 1， 2016， Las Vegas， USA. New York： IEEE， 2016： 770 - 778. Cited in this article [1]

[43]	王颖凯. 基于深度学习算法的电力系统低频振荡模式识别［D］. 广州： 华南理工大学， 2017. Cited in this article [2]

[44]	朱乔木， 陈金富， 李宏毅， 等. 基于堆叠自动编码器的电力系统暂态稳定评估［J］. 中国电机工程学报， 2018， 38（10）： 2937 - 2946. ZHU Qiaomu， CHEN Jinfu， LI Hongyi， et al. Transient stability assessment of power system based on stacked autoencoder［J］. Proceedings of the CSEE， 2018， 38（10）： 2937 - 2946. Cited in this article [1]

[45]	朱乔木， 党杰， 陈金富， 等. 基于深度置信网络的电力系统暂态稳定评估方法［J］. 中国电机工程学报， 2018， 38（3）： 735 - 743. ZHU Qiaomu， DANG Jie， CHEN Jinfu， et al. A method for power system transient stability assessment based on deep brief networks［J］. Proceedings of the CSEE， 2018， 38（3）： 735 - 743. Cited in this article [2]

[46]	王怀远， 陈启凡. 基于堆叠变分自动编码器的电力系统暂态稳定评估方法［J］. 电力自动化设备， 2019， 39（12）： 134 - 139. WANG Huaiyuan， CHEN Qifan. Transient stability assessment method of electric power systems based on stacked variational auto-encoder［J］. Electric Power Automation Equipment， 2019， 39（12）： 134 - 139. Cited in this article [3]

[47]	YU J J Q， HILL D J， LAM A Y S， et al. Intelligent time-adaptive transient stability assessment system［J］. IEEE Transactions on Power Systems， 2018， 33（1）： 1049 - 1058. Cited in this article [3]

[48]	孙黎霞， 白景涛， 周照宇， 等. 基于双向长短期记忆网络的电力系统暂态稳定评估［J］. 电力系统自动化， 2020， 44（13）： 64 - 72. SUN Lixia， BAI Jingtao， ZHOU Zhaoyu， et al. Transient stability assessment of power system based on bi-directional long-short-term memory network［J］. Automation of Electric Power Systems， 2020， 44（13）： 64 - 72.

[49]	CHEN Qifan， WANG Huaiyuan. Time-adaptive transient stability assessment based on gated recurrent unit［J］. International Journal of Electrical Power & Energy Systems， 2021， 133（12）， 107156.1 - 107156.11. Cited in this article [2]

[50]	谢培元， 刘永刚， 谭本东， 等. 一种基于堆叠门控循环单元的暂态稳定智能评估系统［J］. 电气自动化， 2020， 42（3）： 70 - 73. XIE Peiyuan， LIU Yonggang， TAN Bendong， et al. A stacked gated recurrent unit based transient stability intelligent evaluation system［J］. Electrical Automation， 2020， 42（3）： 70 - 73. Cited in this article [2]

[51]	WANG Huaiyuan， WU Sijie. Transient stability assessment with time-adaptive method based on spatial distribution［J］. International Journal of Electrical Power & Energy Systems， 2022， 143（12）， 108464.1 - 108464.11. Cited in this article [2]

[52]	SHAO Zonghe， WANG Qichao， CAO Yuzhe， et al. A novel data-driven LSTM-SAF model for power systems transient stability assessment［J］. IEEE Transactions on Industrial Informatics， 2024， 20（7）： 9083 - 9097. Cited in this article [2]

[53]	ZHU L P， HILL D J， LU C. Intelligent short-term Voltage Stability Assessment via Spatial Attention Rectified RNN Learning［J］. IEEE Transactions on Industrial Informatics， 2021， 17（10）： 7005 - 7016. Cited in this article [2]

[54]	VASWANI A， SJAZEER M， PARMAR N， et al. Attention is all you need［C］//Proceedings of the 31st International Conference on Neural Information Processing Systems， December 4 - 9， 2017， Long Beach， USA. Cambridge： MIT Press， 2017： 6000 - 6010. Cited in this article [1]

[55]

房佳姝， 刘崇茹， 苏晨博， 等. 基于自注意力Transformer编码器的多阶段电力系统暂态稳定评估方法［J］. 中国电机工程学报， 2023， 43（15）： 5745 - 5759. FANG Jiashu， LIU Chongru， SU Chenbo， et al. Multi-stage transient stability assessment of power system based on self-attention transformer encoder［J］. Proceedings of the CSEE， 2023， 43（15）： 5745 - 5759. Cited in this article [2]

[56]

王铮澄， 周艳真， 郭庆来， 等. 考虑电力系统拓扑变化的消息传递图神经网络暂态稳定评估［J］. 中国电机工程学报， 2021， 41（7）： 2341 - 2350. WANG Zhengcheng， ZHOU Yanzhen， GUO Qinglai， et al. Transient stability assessment of power system considering topological change： a message passing neural network-based approach［J］. Proceedings of the CSEE， 2021， 41（7）： 2341 - 2350. Cited in this article [1]

[57]	汪康康， 梅生伟， 魏巍， 等. 基于图卷积网络的快速暂态安全评估方法［J］. 电力系统保护与控制， 2023， 51（1）： 43 - 51. WANG Kangkang， MEI Shengwei， WEI Wei， et al. Fast transient security assessment based on graph neural networks［J］. Power System Protection and Control［J］. 2023， 51（1）： 43 - 51. Cited in this article [1]

[58]	钟智， 管霖， 苏寅生， 等. 基于图注意力深度网络的电力系统暂态稳定评估［J］. 电网技术， 2021， 45（6）： 2122 - 2130. ZHONG Zhi， GUAN Lin， SU Yinsheng， et al. Power system transient stability assessment based on graph attention deep network［J］. Power System Technology， 2021， 45（6）： 2122 - 2130. Cited in this article [2]

[59]	周生存， 罗毅， 易煊承， 等. 考虑数据缺失的图注意力网络暂态稳定评估［J］. 中国电力， 2024， 57（5）： 157 - 167. ZHOU Shengcun， LUO Yi， YI Xuancheng， et al. Transient stability assessment of graph attention networks［J］. Electric Power， 2024， 57（5）： 157 - 167. Cited in this article [1]

[60]

张建新， 蔡锱涵， 李诗旸， 等. 利用网络等值进行图降维的图注意力暂态功角稳定评估模型［J］. 南方电网技术， 2024， 18（4）： 30 - 40. ZHANG Jianxin， CAI Zihan， LI Shiyang， et al. Transient power angle stability evaluation model for graph attention using network equivalence for graph dimensionality reduction［J］. Southern Power System Technology， 2024， 18（4）： 30 - 40. Cited in this article [1]

[61]	CHEN Liukai， GUAN Lin. Static information K-neighbor， and self-attention aggregated scheme： a transient stability prediction model with enhanced interpretability［J］. Protection and Control of Modern Power Systems， 2023， 8（1）： 5 - 15. Cited in this article [1]

[62]

张亮， 安军， 周毅博. 基于时间卷积和图注意力网络的电力系统暂态稳定评估［J］. 电力系统自动化， 2023， 47（7）： 114 - 122. ZHANG Liang， AN Jun， ZHOU Yibo. Transient stability assessment of power system based on temporal convolution and graph attention network［J］. Automation of Electric Power Systems， 2023， 47（7）： 114 - 122. Cited in this article [1]

[63]

姜涛， 董雨， 王长江， 等. 基于图卷积和双向长短期记忆网络的受端电力系统暂态电压稳定评估［J］. 电网技术， 2023， 47（12）： 4937 - 4951. JIANG Tao， DONG Yu， WANG Changjiang， et al. Transient voltage stability assessment of receiving-end power system based on graph convolution and bidirectional long/short-term memory networks［J］. Power System Technology， 2023， 47（12）： 4937 - 4951. Cited in this article [2]

[64]

庄颖睿， 肖谭南， 程林， 等. 基于时空图卷积网络的电力系统暂态稳定评估［J］. 电力系统自动化， 2022， 46（11）： 11 - 18. ZHUANG Yingrui， XIAO Tannan， CHENG Lin， et al. Transient stability assessment of power system based on spatio-temporal graph convolutional Network［J］. Automation of Electric Power Systems， 2022， 46（11）： 11 - 18. Cited in this article [2]

[65]	LUO Y H， LU C， ZHU L P， et al. Data-driven short-term voltage stability assessment based on spatial-temporal graph convolutional network［J］. International Journal of Electrical Power & Energy Systems， 2021， 130： 106753. Cited in this article [2]

[66]	邬春明， 任继红. 基于人工智能的暂态稳定裕度精细化预测［J］. 电力自动化设备， 2021， 41（12）： 108 - 114. WU Chunming， REN Jihong. Refined prediction of transient stability margin based on artificial intelligence［J］ Electric Power Automation Equipment， 2021， 41（12）： 108 - 114. Cited in this article [2]

[67]	KUMAR S， TYAGI B， KUMAR V， et al. PMU-based voltage stability measurement under contingency using ANN［J］. IEEE Transactions on Instrumentation and Measurement， 2022（ 71）： 9000111. 1 - 9000111.11. Cited in this article [2]

[68]

王彤， 刘九良， 朱劭璇， 等. 基于随机森林的电力系统暂态稳定评估与紧急控制策略［J］. 电网技术， 2020， 44（12）： 4694 - 4701. WANG Tong， LIU Jiuliang， ZHU Shaoxuan， et al. Transient stability assessment and emergency control strategy based on random forest in power system［J］. Power System Technology， 2020， 44（12）： 4694 - 4701. Cited in this article [2]

[69]	LIU S K， SHI R Y， ZHANG T， et al. An integrated scheme for static voltage stability assessment based on correlation detection and random bits forest［J］. International Journal of Electrical Power & Energy Systems， 2021， 130（9）： 106898.1 106898.10-.

[70]	LIU S K， LIU Lihuang， YANG Nan， et al. A Data-driven approach for online dynamic security assessment with spatial-temporal dynamic visualization using random bits forest［J］. International Journal of Electrical Power & Energy Systems， 2021， 124（1）： 106316.1 106316.10-. Cited in this article [2]

[71]	HUANG Tianen， GUO Qinglai， SUN Hongbin， et al. A deep spatial-temporal data-driven approach considering microclimates for power system security assessment［J］. Applied Energy， 2019（237）： 36 - 48. Cited in this article [2]

[72]	SHI F， WU J， BU Y，et al. Online assessment of transient power angle & voltage in power systems： realizing fast prediction and fast update in any scenarios［J］. International Journal of Electrical Power & Energy Systems， 2024（156）： 109724.1 - 109724.12. Cited in this article [2]

[73]	DU Y， LI F， HUANG C. Applying deep convolutional neural network for fast security assessment with N-1 contingency［C］//2019 IEEE Power & Energy Society General Meeting （PESGM）， August 4 - 8， 2019， Atlanta， USA. New York： IEEE， 2019： 1 - 5. Cited in this article [1]

[74]	DU Y， LI F， ZHENG T， et al. Fast cascading outrage screening based on deep convolutional neural network and depth-first research［J］. IEEE Transactions on Power Systems， 2020， 35（4）： 2704 - 2715. Cited in this article [2]

[75]	邵美阳， 吴俊勇， 李宝琴， 等. 基于两阶段集成深度置信网络的电力系统暂态稳定评估［J］. 电网技术， 2020， 44（5）： 1776 - 1787. SHAO Meiyang， WU Junyong， LI Baoqin， et al. Transient stability assessment of power system based on two-stage ensemble deep belief network［J］. Power System Technology， 2020， 44（5）： 1776 - 1787. Cited in this article [2]

[76]	杜一星， 胡志坚， 李犇， 等. 基于双向门控循环单元的电力系统暂态稳定评估［J］. 电力系统自动化， 2021， 45（20）： 103 - 112. DU Yixing， HU Zhijian， LI Ben， et al. Transient stability assessment of power system based on bi-directional gated recurrent unit［J］. Automation of Electric Power Systems， 2021， 45（20）： 103 - 112. Cited in this article [3]

[77]

杜一星， 胡志坚， 王方洲. 基于受扰后量测响应信息的两阶段电力系统暂态稳定评估［J］. 电网技术， 2022， 46（6）： 2230 - 2240. DU Yixing， HU Zhijian， WANG Fangzhou. Two-stage power system transient stability assessment based on post-disturbance measurement response information［J］. Power System Technology， 2022， 46（6）： 2230 - 2240. Cited in this article [2]

[78]

徐浩， 姜新雄， 刘志成， 等. 基于概率预测的电网静态安全运行风险评估及主动调控策略［J］. 电力系统自动化， 2022， 46（1）： 182 - 191. XU Hao， JIANG Xinxiong， LIU Zhicheng， et al. Probability prediction based risk assessment and proactive regulation and control strategy for static operation safety of power grid［J］. Automation of Electric Power Systems， 2022， 46（1）： 182 - 191. Cited in this article [3]

[79]	李洋麟， 江全元， 颜融， 等. 基于卷积神经网络的电力系统小干扰稳定评估［J］. 电力系统自动化， 2019， 43（2）： 50 - 57. LI Yanglin， JIANG Quanyuan， YAN Rong， et al. Small-signal stability assessment of power system based on convolutional neural network［J］. Automation of Electric Power Systems， 2019， 43（2）： 50 - 57. Cited in this article [3]

[80]

赵荣臻， 文云峰， 叶希， 等. 基于改进堆栈降噪自动编码器的预想事故频率指标评估方法研究［J］. 中国电机工程学报， 2019， 39（14）： 4081 - 4092. ZHAO Rongzhen， WEN Yunfeng， YE Xi， et al. Research on frequency indicators evaluation of disturbance events based on improved stacked denoising autoencoders［J］. Proceedings of the CSEE， 2019， 39（14）： 4081 - 4092. Cited in this article [3]

[81]	HUANG Jiyu， GUAN Lin， SU Yinsheng， et al. A topology adaptive high-speed transient stability assessment scheme based on multi-graph attention network with residual structure［J］. International Journal of Electrical Power & Energy Systems， 2021， 130（12）： 106948.1 106948.9-. Cited in this article [2]

[82]

钱倍奇， 陈谦， 张政伟， 等. 基于异构数据特征级融合的多任务暂态稳定评估［J］. 电力系统自动化， 2023， 47（9）： 118 - 128. QIAN Beiqi， CHEN Qian， ZHANG Zhengwei， et al. Multi-task transient stability assessment based on feature-level fusion of heterogeneous data［J］. Automation of Electric Power Systems， 2023， 47（9）： 118 - 128. Cited in this article [3]

[83]

郭梦轩， 管霖， 苏寅生， 等. 基于改进边图卷积网络的电力系统小干扰稳定评估模型［J］. 电网技术， 2022， 46（6）： 2095 - 2103. GUO Mengxuan， GUAN Lin， SU Yinsheng， et al. Small-signal stability assessment model based on improved edge graph convolutional networks of power system［J］. Power System Technology， 2022， 46（6）： 2095 - 2103. Cited in this article [3]

[84]	ZHANG J， AN H， WU N. Low frequency oscillation mode estimation using synchrophasor data［J］. IEEE Access， 2020（8）： 86444 - 86455. Cited in this article [3]

[85]

仉怡超， 闻达， 王晓茹， 等. 基于深度置信网络的电力系统扰动后频率曲线预测［J］. 中国电机工程学报， 2019， 39（17）： 5095 - 5104. ZHANG Yichao， WEN Da， WANG Xiaoru， et al. A method of frequency curve prediction based on deep brief network of post-disturbance power system［J］. Proceedings of the CSEE， 2019， 39（17）： 5095 - 5104. Cited in this article [3]

[86]	XIE J， SUN W. A transfer and deep learning-based method for online frequency stability assessment and control［J］. IEEE Access， 2021（ 9）： 75712 - 75721. Cited in this article [2]

[87]	SUN Peiyuan， HUO Long， CHEN Xin， et al. Roter angle stability prediction using temporal and topological embedding deep neural network based on grid-informed adjacency matrix［J］. Journal of Modern Power Systems and Clean Energy， 2024， 12（3）： 695 - 706. Cited in this article [2]

[88]	管霖， 黄济宇， 蔡锱涵， 等. 图深度学习技术在电力系统分析与决策领域中的应用及展望［J］. 高电压技术， 2022， 48（9）： 3405 - 3422. GUAN Lin， HUANG Jiyu， CAI Zihan， et al. Application and prospect of graph deep learning technique in power system analysis and decision［J］. High Voltage Engineering， 2022， 48（9）： 3405 - 3422. Cited in this article [1]

[89]

蒲天骄， 乔骥， 赵紫璇， 等. 面向电力系统智能分析的机器学习可解释性方法研究（一）：基本概念与框架［J］. 中国电机工程学报， 2023， 43（18）： 7010 - 7030. PU Tianjiao， QIAO Ji， ZHAO Zixuan， et al. Research on interpretable methods of machine learning applied in intelligent analysis of power system （part I）： basic concept and framework［J］. Proceedings of the CSEE， 2023， 43（18）： 7010 - 7030. Cited in this article [1]

[90]	LUNDBERG S M， LEE S I. A unified approach to interpreting model predictions［C］//Proceedings of the 31st International Conference on Neural Information Processing Systems， December 4 - 9， 2017， Long Beach， USA. Cambridge： MIT Press， 2017： 4768 - 4777. Cited in this article [1]

[91]	胡润滋， 马晓忱， 孙博， 等. 基于特征选择的暂态安全评估方法及其可解释性研究［J］. 电网技术， 2023， 47（2）： 755 - 763. HU Runzi， MA Xiaochen， SUN Bo， et al. Transient security assessment method based on feature selection and its interpretive approach［J］. Power System Technology， 2023， 47（2）： 755 - 763. Cited in this article [1]

[92]	王强， 陈浩， 刘炼. 基于自然梯度提升的静态电压稳定裕度预测及其影响因素分析［J］. 电力系统及其自动化学报， 2022， 34（9）： 130 - 137. WANG Qiang， CHEN Hao， LIU Lian. Prediction of static voltage stability margin based on natural gradient lifting and analysis of its influencing factors［J］. Proceedings of the CSU-EPSA， 2022， 34（9）： 130 - 137.

[93]

武宇翔， 韩肖清， 牛哲文. 基于变权重随机森林的暂态稳定评估方法及其可解释性分析［J］. 电力系统自动化， 2023， 47（14）： 93 - 104. WU Yuxiang， HAN Xiaoqing， NIU Zhewen， et al. Transient stability assessment method based on variable weight random forest and its interpretability analysis［J］. Automation of Electric Power Systems， 2023， 47（14）： 93 - 104.

[94]

张哲， 秦博宇， 高鑫， 等. 融合注意力机制和卷积神经网络的电网暂态电压稳定评估及可解释性分析［J］. 电网技术， 2024， 48（11）： 4648 - 4657. ZHANG Zhe， QIN Boyu， GAO Xin， et al. Transient voltage stability assessment and interpretability analysis of power grids based on the fusion of attention mechanism and convolutional neural network［J］. Power System Technology， 2024， 48（11）： 4648 - 4657. Cited in this article [1]

[95]	AN J， YU J， LI Z， et al. A data-driven method for transient stability margin prediction based on security region［J］. Journal of Modern Power Systems and Clean Energy， 2020， 8（6）： 1060 - 1069. Cited in this article [1]

[96]	RIBEIRO M T， SINGH S， GUESTRIN C. “Why should I trust you？”： explaining the predictions of any classifier［C］//Proceedings of the 22nd ACM SIGKDD International Conference on Computer Version （ICCV）， October 22 - 29， 2017， Venice， Italy. New York： IEEE，2017：618 - 626. Cited in this article [1]

[97]	WU S， ZHENG L， HU W， et al. Improved deep belief network and model interpretation method for power system transient stability assessment［J］. Journal of Modern Power Systems and Clean Energy， 2020， 8（1）： 27 - 37. Cited in this article [1]

[98]	古思丽， 乔骥， 张东霞， 等. 基于图深度学习的薄弱支路辨识与溯因分析［J］. 中国电机工程学报， 2023， 43（3）： 1004 - 1017. GU Sili， QIAO Ji， ZHANG Dongxia， et al. Identification and attribution analysis of weak branches based on graph deep learning［J］. Proceedings of the CSEE， 2023， 43（3）： 1004 - 1017. Cited in this article [1]

[99]

虞景行， 黄济宇， 张勇军， 等. 基于稳态特征量输入的大电网主导失稳机组辨识［J］. 电力系统自动化， 2024， 48（13）： 69 - 78. YU Jingxing， HUANG Jiyu， ZHANG Yongjun， et al. Identification of leading instable generators for large-scale power grid based on steady-state characteristic inputs［J］. Automation of Electric Power System， 2024， 48（13）： 69 - 78. Cited in this article [1]

[100]

刁晗， 肖谭南， 黄少伟， 等. 数据驱动的电力系统关键断面筛选［J］. 电网技术， 2023， 47（10）： 4035 - 4346. DIAO Han， XIAO Tannan， HUANG Shaowei， et al. Data-driven searching for power system key transmission sets［J］. Power System Technology， 2023， 47（10）： 4035 - 4346. Cited in this article [1]

[101]

ZHU L， WEN W， LI J， et al. Integrated data-driven power system transient stability monitoring and enhancement［J］. IEEE Transactions on Power Systems， 2024， 39（1）： 1797 - 1809. Cited in this article [1]

[102]

国务院国有资产监督管理委员会. “驭电”智能大模型将最大限度支撑新能源开发利用［EB/OL］. （2025 - 03 - 23）［2024 - 12 - 24］. http：//www.sasac.gov.cn/n2588025/n2588124/c32419774/content.html. Cited in this article [1]

[103]

胡铭菲， 左信， 刘建伟. 深度生成模型综述［J］. 自动化学报， 2022， 48（1）： 40 - 74. HU Mingfei， ZUO Xin， LIU Jianwei. Survey on deep generative model［J］. Acta Automatics Sinica， 2022， 48（1）： 40 - 74. Cited in this article [1]

[104]

谭本东， 杨军， 赖秋频， 等. 基于改进CGAN的电力系统暂态稳定评估样本增强方法［J］. 电力系统自动化， 2019， 43（1）： 149 - 157. TAN Bendong， YANG Jun， LAI Qiupin， et al. Data augment method for power system transient stability assessment based on improved conditional generative adversarial network［J］. Automation of Electric Power Systems， 2019， 43（1）： 149 - 157. Cited in this article [1]

[105]

李宝琴， 吴俊勇， 强子玥， 等. 基于改进DCGAN的电力系统暂态稳定增强自适应评估［J］. 电力系统自动化， 2022， 46（2）： 73 - 82. LI Baoqin， WU Junyong， QIANG Ziyue， et al. Enhanced adaptive assessment on transient stability of power system based on improve deep convolutional generative adversarial network［J］. Automation of Electric Power Systems， 2022， 46（2）： 73 - 82. Cited in this article [1]

[106]

FEI Y， LIAO W， HUANG Y， et al. Knowledge-enhanced generative adversarial networks for schematic design of framed tube structures［J］. Automation in Construction， 2022， 144： 104619. Cited in this article [1]

[107]

ZHU L， HILL D J. Data/model jointly driven high-quality case generation for power system dynamic stability assessment［J］. IEEE Transactions on Industrial Informatics， 2022， 18（8）： 5055 - 5066. Cited in this article [1]

[108]

FANG J， ZHENG L， LIU C， et al. A data-driven case generation model for transient stability assessment using generative adversarial networks［J］. IEEE Transactions on Industrial Informatics， 2024， 20（12）： 14391 - 14400. Cited in this article [1]

[109]

廖一帆， 武志刚. 基于迁移学习与Wasserstein生成对抗网络的静态电压稳定临界样本生成方法［J］. 电网技术， 2021， 45（9）： 3722 - 3728. LIAO Yifan， WU Zhigang. Critical sample generation method for static voltage stability based on transfer learning and wasserstein generative adversarial network［J］. Power System Technology， 2021， 45（9）： 3722 - 3728. Cited in this article [1]

[110]

陈浩， 张文朝， 黄志光， 等. 考虑极端天气的先验知识引导风/光短期出力场景生成方法研究［J］. 智慧电力， 2025， 53（3）： 44 - 52. CHEN Hao， ZHANG Wenchao， HUANG Zhiguang， et al. Research on prior knowledge-guided short-term wind/photovoltaic output scenario generation method considering extreme weather［J］. Smart Power， 2025， 53（3）： 44 - 52. Cited in this article [1]

[111]

CHEN Y， WANG Y， KIRSCHEN D， et al. Model-free renewable scenario generation using generative adversarial networks［J］. IEEE Transactions on Power Systems， 2018， 33（3）： 3265 - 3275.

[112]

牛奎烨， 刘金波， 汤奕， 等. 计及极端气象事件的年度系统运行场景生成方法［J］. 电网技术， 2024， 48（10）： 3992 - 4006. NIU Kuiye， LIU Jinbo， TANG Yi， et al. A method for generating annual system operating scenarios considering extreme meteorological events［J］. Power System Technology， 2024， 48（10）： 3992 - 4006.

[113]

米阳， 卢长坤， 申杰， 等. 基于条件生成对抗网络的风电功率极端场景生成［J］. 高电压技术， 2023， 49（6）： 2253 - 2263. MI Yang， LU Changkun， SHEN Jie， et al. Wind power extreme scenario generation based on conditional generative adversarial network［J］. High Voltage Engineering， 2023， 49（6）： 2253 - 2263. Cited in this article [1]

[114]

LU G， BU S. Adaptive stability contingency screening for operational planning based on domain-adversarial graph neural network［J］. IEEE Transactions on Power Systems， 2024， 39（1）： 1503 - 1516. Cited in this article [2]

[115]

解治军， 张东霞， 韩肖清， 等. 基于改进长短期记忆网络的电力系统暂态稳定评估方法研究［J］. 电网技术， 2024， 48（3）： 998 - 1010. XIE Zhijun， ZHANG Dongxia， HAN Xiaoqing， et al. Research on transient stability assessment method of power system based on improved long short term memory network［J］. Power System Technology， 2024， 48（3）： 998 - 1010.

[116]

HIJAZI M， DEHGHANIAN P， WANG S， et al. Transfer learning for transient stability predictions in modern power systems under enduring topological changes［J］. IEEE Transactions on Automation Science and Engineering， 2024， 21（3）： 3274 - 3288. Cited in this article [1]

[117]

陈灏颖， 管霖. 基于主动迁移学习的电力系统拓扑自适应暂态稳定评估［J］. 中国电机工程学报， 2023， 43（19）： 7409 - 7423. CHEN Haoying， GUAN Lin. An active transfer learning scheme for power system transient stability assessment adaptive to the topological variability［J］. Proceedings of the CSEE， 2023， 43（19）： 7409 - 7423.

[118]

李宝琴， 吴俊勇， 李栌苏， 等. 基于主动迁移学习的电力系统暂态稳定自适应评估［J］. 电力系统自动化， 2023， 47（4）： 121 - 132. LI Baoqin， WU Junyong， LI Lusu， et al. Adaptive assessment of power system transient stability assessment based on active transfer learning［J］. Automation of Electric Power Systems， 2023， 47（4）： 121 - 132. Cited in this article [1]

[119]

PARISI G I， KEMKER R， PART J L， et al. Continual lifelong learning with neural networks： a review［J］. Neural Networks， 113： 54 - 71. Cited in this article [1]

[120]

LI X， TANG B， LI H. AdaER： an adaptive experience replay approach for continual lifelong learning［J］. Neurocomputing， 2024， 572： 127204. Cited in this article [1]

[121]

YOON J， LIM H. CMCL： clustering-based memory management for continual learning［C］//2022 International Conference on Artificial Intelligence in Information and Communication （ICAIIC）， Feburary 21 - 24 2022， Jeju Island， Korea. New York： IEEE， 2022： 266 - 268. Cited in this article [1]

[122]

ZHUANG C， HUANG S， CHENG G， et al. Multi-criteria selection of rehearsal samples for continual learning［J］. Pattern Recognition， 2022（132）： 108907.1 - 108907.11. Cited in this article [1]

[123]

陈灏颖， 管霖， 陈鎏凯， 等. 基于遗忘记忆回溯和参数正则的电力系统事故前暂态稳定评估持续学习框架［J/OL］. 电网技术， 1 - 14［2025 - 05 - 16］.https：//doi.org/10.13335/j.1000 - 3673.pst.2024.1774. CHEN Haoying， GUAN Lin， CHEN Liukai， et al. A continual learning scheme for pre-contingency transient stability assessment in power systems via forgotten memory replay and parameter regularization［J/OL］. Power System Technology， 1 - 14［2025 - 05 - 16］ .https：//doi.org/10.13335/j.1000 - 3673.pst.2024.1774. Cited in this article [1]

[124]

LI X， YANG Z， GUO P， et al. An intelligent transient stability assessment framework with continual learning ability［J］. IEEE Transactions on Industrial Informatics， 2021， 17（12）： 8131 - 8141. Cited in this article [1]

[125]

CHEN H， GUAN L， LIN B， et al. A continual learning scheme for data-driven transient stability assessment via clustered memory replay and hierarchical embedding constraint［J］. Electric Power Systems Research， 2025（247）： 111704. Cited in this article [1]

[126]

赵晋泉， 夏雪， 徐春雷， 等. 新一代人工智能技术在电力系统调度运行中的应用评述［J］. 电力系统自动化， 2020， 44（24）： 1 - 10. ZHAO Jinquan， XIA Xue， XU Chunlei， et al. Review on application of new generation artificial intelligence technology in power system dispatching and operation［J］. Automation of Electric Power Systems， 2020， 44（24）： 1 - 10. Cited in this article [1]

[127]

付小标， 崔健， 王长江， 等. 考虑新能源多场站短路比的暂态过电压风险评估［J］. 电力系统及其自动化学报， 2024， 36（10）： 79 - 88. FU Xiaobiao， CUI Jian， WANG Changjiang， et al. Transient overvoltage risk assessment considering multiple renewable energy stations short circuit ratio［J］. Proceedings of the CSU-EPSA， 2024， 36（10）： 79 - 88. Cited in this article [2]

[128]

刘雨晴， 刘曌， 王小君， 等. 融合同步知识和时空信息的电力系统暂态稳定评估框架［J/OL］. 电网技术， 1 - 13［2025 - 03 - 25］. https：//doi.org/10.13335/j.1000 - 3673.pst.2023.1401. LIU Yuqing， LIU Zhao， WANG Xiaojun， et al. Power system transient stability assessment framework based on fusion of synchronization knowledge and spatial-temporal information［J/OL］. Power System Technology， 1 - 13［2025 - 03 - 25］. https：//doi.org/10.13335/j.1000 - 3673.pst.2023.1401. Cited in this article [3]

[129]

秦博宇， 高鑫， 张哲， 等. 知识-数据融合的直流送端系统暂态过电压幅值预测［J］. 电力系统自动化， 2024， 48（14）： 110 - 118. QIN Boyu， GAO Xin， ZHANG Zhe， et al. Transient overvoltage amplitude prediction for DC sending-end system based on knowledge-data fusion model［J］. Automation of Electric Power Systems， 2024， 48（14）： 110 - 118. Cited in this article [2]

[130]

刘信彤， 辛业春， 王长江， 等. 基于Smo-PinSVM的含新能源电力系统暂态稳定评估［J］. 太阳能学报， 2021， 42（5）： 98 - 104. LIU Xintong， XIN Yechun， WANG Changjiang， et al. Transient stability assessment in bulk power grid with renewable energy using Smo-PinSVM［J］. Acta Energiae Solaris Sinica， 2021， 42（5）： 98 - 104. Cited in this article [2]

[131]

LIU W， KEREKES T， DRAGICEVIC T， et al. Review of grid stability assessment based on ai and a new concept of converter-dominated power system state of stability assessment［J］. IEEE Journal of Emerging and Selected Topics in Industrial Electronics， 2023， 4（3）： 928 - 938. Cited in this article [2]

[132]

LÜ Z， WANG B， GUO Q， et al. Short-term voltage stability assessment based on heterogeneous edge-integrated graph attention network［J］. IEEE Transactions on Power Systems， 2025， 40（1）： 421 - 434. Cited in this article [3]

[133]

SHI C， LI Y， ZHANG J， et al. A survey of heterogeneous information network analysis［J］. IEEE Transactions on Knowledge and Data Engineering， 2017， 29（1）： 17 - 37. Cited in this article [1]

[134]

FOROUZANDEH S， ROSTAMI M， BERAHMAND K， et al. Health-aware food recommendation system with dual attention in heterogeneous graph［J］. Computers in Biology and Medicine， 2024， 169： 107882.1 - 107882.6. Cited in this article [1]

[135]

WU Z， LIANG Q， ZHAN Z， et al. Course recommendation based on enhancement of meta-path embedding in heterogeneous graph［J］. Applied Science-Basel， 2023， 13（4）： 1 - 20.

[136]

WANG N， CHEN T， REN C， et al. Document-level relation extraction with multi-layer heterogeneous graph attention network［J］. Engineering Applications of Artificial Intelligence， 2023， 123（A）： 106212.1 - 106212.16 Cited in this article [1]

[137]

朱思婷， 管霖， 郭梦轩， 等. 基于异质边图注意力网络的电力系统振荡评估模型［J］. 电网技术， 2022， 46（7）： 2581 - 2592. ZHU Siting， GUAN Lin， GUO Mengxuan， et al. Power system oscillation evaluation model based on heterogeneous edge graph attention network［J］. Power System Technology， 2022， 46（7）： 2581 - 2592. Cited in this article [2]

[138]

ZHONG Z， GUAN L， SU Y， et al. A Method of multivariate short-term voltage stability assessment based on heterogeneous graph attention deep network［J］. International Journal of Electrical Power & Energy Systems， 2022（136）： 107648. Cited in this article [2]

[139]

马煜， 张俊勃， 黄长林， 等. 基于异质时空神经网络的“双高”电力系统暂态功角稳定评估方法［J/OL］. 电网技术， 1 - 14［2025 - 05 - 19］.https：//doi.org/10.13335/j.1000 - 3673.pst.2024.1965. MA Yu， ZHANG Junbo， HUANG Changlin， et al. Transient angle stability assessment of “dual high” power systems based on heterogenous spatial-temporal neural network［J/OL］. Power System Technology， 1 - 14［2025 - 05 - 19］.https：//doi.org/10.13335/j.1000 - 3673.pst.2024.1965. Cited in this article [1]

[140]

SCHÜTT K， KINDERMANS P， SAUCEDA H， et al. Schnet： a continuous-filter convolutional neural network for modeling quantum interactions［C］//Proceedings of the 31st Annual Conference on Neural Information Processing Systems， December 4 - 9， 2017， Long Beach， USA. Cambridge： MIT Press， 2017： 992 - 1002. Cited in this article [1]

[141]

SCHLEDER G R， PADILHA A C， ACOSTA CM， et al. From DFT to machine learning： recent approaches to materials science-a review［J］. Journal of Physics-Materials， 2019， 2（3）： 032001.

[142]

STEIN M， CAMPS-VALLS G， STEVENS B， et al. Deep learning and process understanding for data-driven earth system science［J］. Nature， 2019， 566（7743）： 195 - 204. Cited in this article [1]

[143]

乔骥， 赵紫璇， 王晓辉， 等. 面向电力系统智能分析的机器学习可解释性方法研究（二）：电网稳定分析的物理内嵌式机器学习［J］. 中国电机工程学报， 2023， 43（23）： 9046 - 9059. QIAO Ji， ZHAO Zixuan， WANG Xiaohui， et al. Research on interpretable methods of machine learning applied in intelligent analysis of power system （part II）： physics-embedded machine learning for power system stability analysis［J］. Proceedings of the CSEE， 2023， 43（23）： 9046 - 9059. Cited in this article [2]

[144]

LU G， BU S. Advanced probabilistic transient stability assessment for operational planning： a physics-informed graphical learning approach［J］. IEEE Transactions on Power Systems， 2025， 40（1）： 740 - 752. Cited in this article [3]

[145]

ZHU Y， ZHOU Y， WEI W， et al. Cascading failure analysis based on a physics-informed graph neural network［J］. IEEE Transactions on Power Systems， 2023， 38（4）： 3632 - 3641. Cited in this article [2]

[146]

HUANG B， WANG J. Applications of physics-informed neural networks in power systems-a review［J］. IEEE Transactions on Power Systems， 2023， 38（1）： 572 - 588. Cited in this article [2]

[147]

陆旭， 张理寅， 李更丰， 等. 基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估［J］. 电力系统自动化， 2024， 48（9）： 107 - 119. LU Xu， ZHANG Liyin， LI Gengfeng， et al. Transient stability assessment of power system based on physics informed convolution neural network［J］. Automation of Electric Power Systems， 2024， 48（9）： 107 - 119. Cited in this article [2]

[148]

李嘉敏， 杨红英， 闫莉萍， 等. 样本不平衡情况下的电力系统暂态稳定集成评估方法［J］. 电力系统自动化， 2021， 45（10）： 34 - 41. LI Jiamin， YANG Hongying， YAN Liping， et al. Integrated assessment method for transient stability of power system under sample imbalance［J］. Automation of Electric Power Systems， 2021， 45（10）： 34 - 41. Cited in this article [2]

[149]

肖龙， 张靖， 何宇， 等. 基于时间卷积和自适应图卷积网络的电力系统暂态稳定评估［J/OL］. 电网技术， 1 - 13［2025 - 03 - 25］. https：//doi.org/10.13335/j.1000 - 3673.pst.2024.1724. XIAO Long， ZHANG Jing， HE Yu， et al. Power system transient stability assessment based on temporal convolution and adaptive graph convolution network［J/OL］. Power System Technology， 1 - 13［2025 - 03 - 25］.https：//doi.org/10.13335/j.1000 - 3673.pst.2024.1724. Cited in this article [2]

[150]

王怀远， 陈启凡. 基于代价敏感堆叠变分自动编码器的暂态稳定评估方法［J］. 中国电机工程学报， 2020， 40（7）： 2213 - 2220，2400. WANG Huaiyuan， CHEN Qifan. A transient stability assessment method based on cost-sensitive stacked variational auto-encoder［J］. Proceedings of the CSEE， 2020， 40（7）： 2213 - 2220，2400. Cited in this article [2]

[151]

朱思婷， 管霖， 黄济宇， 等. 面向稳控策略校核的并联图注意力网络稳定评估模型［J］. 电网技术， 2023， 47（9）： 3836 - 3846. ZHU Siting， GUAN Lin， HUANG Jiyu， et al. Parallel graph attention network based transient stability assessment model for stability control strategy checking［J］. Power System Technology， 2023， 47（9）： 3836 - 3846. Cited in this article [1]

[152]

朱思婷. 面向稳控策略校核的图深度学习稳定评估模型和算法研究［D］. 广州：华南理工大学， 2023. Cited in this article [1]

[153]

WANG G， GUO J， MA S， et al. Data-driven transient stability assessment using sparse pmu sampling and online self-check function［J］. CSEE Journal of Power and Energy Systems， 2023， 9（3）： 910 - 920. Cited in this article [1]

[154]

李永康， 刘宝柱， 胡俊杰. 基于数据驱动与时域仿真融合的电力系统暂态稳定快速评估［J］. 电网技术， 2023， 47（11）： 4386 - 4396. LI Yongkang， LIU Baozhu， HU Junjie. Rapid evaluation of power system transient stability based on fusion of data-driven and time-domain simulation［J］. Power System Technology， 2023， 47（11）： 4386 - 4396. Cited in this article [1]

[155]

袁小明， 张美清， 迟永宁， 等. 电力电子化电力系统动态问题的基本挑战和基本路线［J］. 中国电机工程学报， 2022， 42（5）： 1904 - 1917. YUAN Xiaoming， ZHANG Meiqing， CHI Yongning， et al. Basic challenges of and technical roadmap to power-electronized power system dynamics issues［J］. Proceedings of the CSEE， 2022， 42（5）： 1904 - 1917. Cited in this article [1]

[156]

闫炯程， 李常刚， 刘玉田. 数据驱动的新型电力系统安全风险预警综述［J］. 电网技术， 2024， 48（12）： 4989 - 5002. YAN Jiongcheng， LI Changgang， LIU Yutian. Review of data-driven security risk early warning research of the new-type power system［J］. Power System Technology， 2024， 48（12）： 4989 - 5002. Cited in this article [1]

[157]

LU J， LIU A， DONG F， et al. Learning under concept drift： a review［J］. IEEE Transactions on Knowledge and Data Engineering， 2019， 31（12）： 2346 - 2363. Cited in this article [1]