动态模型是电力系统稳定与控制的基石。在全球脱碳进程的推动下，新能源并网设备（IBR）的渗透率不断提高，显著增加了电力系统动态特性的复杂性。对于大规模电力系统而言，现有的此类资源动态模型长期以来难以准确捕捉其复杂行为，这主要受限于基于简化物理控制方程的显式表达。本研究提出了一种数据驱动的建模方法，利用神经网络直接从可获取的数据中学习并表征这些动态特性。该模型采用了定制化架构，结合了用于处理时间依赖性的长短期记忆网络（LSTM）和用于建模非线性特征交互的交叉层。通过引入逆变器动态模型的物理约束，增强了模型的一致性并防止产生不切实际的输出。在真实电力系统（包括风电场、光伏电站和构网型电池储能站）上的验证结果表明，所提模型具有卓越的精度，并具备处理分布外场景的外推能力。这些研究结果在大规模电力系统和逆变器主导的系统中得到了进一步证实。本方法为捕捉和模拟复杂的逆变器动态提供了一种有效的手段，能够实现更可靠的暂态稳定评估，这对于未来电网的安全运行至关重要。

同步发电机（SG）是现代电力系统的基石。然而，实现同步发电机的精确动态建模，尤其是在考虑其复杂的非线性特性时，一直是百年来持续存在的挑战。神经网络是同步发电机动态建模的一种很有前景的替代方案，但其训练通常缺乏足够的数据。为了解决这个问题，本文提出了一种基于神经网络的、利用数据增强的同步发电机动态建模方法。该方法采用了一种改进的循环神经网络（RNN）和一种实用的两阶段学习策略。在数据增强和初始训练阶段，利用基于物理的仿真进行全面的数据增强，用于初始训练，并且定制的改进型RNN架构进一步使模型能够有效地学习和捕捉与物理原理紧密吻合的动态特性。在基于测量的微调阶段，利用来自运行中发电机的少量实际测量数据对模型进行微调，进一步提高其在实际运行条件下的精度。经过初始训练后，所提出的模型在各种故障场景下均展现出良好的泛化能力，包括具有挑战性的最坏情况和临界稳定条件，能够精确地复现物理原理，从而确保基准精度并进一步验证其可靠性。最后，与目前最先进的同步发电机动态模型GENQEC相比，所提出的模型实现了显著的相对误差降低，凸显了其作为精确同步发电机动态表征的更优替代方案的潜力。

现有的LCC-HVDC系统时域仿真面临着精度和效率之间的矛盾。电磁暂态模型能够精确地模拟详细的动态过程，但其计算效率低下，难以应用于工程实践。相比之下，准稳态模型计算效率高，但无法充分表达LCC-HVDC系统的换相过程，也无法处理不平衡故障场景。本文提出了一种基于神经网络的准稳态（NN-QSS）模型，为LCC-HVDC并网电力系统的仿真、分析和设计提供了一个强大的模型。具体而言，NN-QSS模型能够精确地捕捉和表达LCC-HVDC的动态特性，尤其是在不平衡故障场景下，并且能够在准稳态仿真过程中输出换相失败的识别结果作为信号。本文提出的方法已通过改进的IEEE 39节点系统、中国某省级实际电力系统以及基于硬件在环的CIGRE基准系统进行了验证。实验结果表明，NN-QSS模型能够在准稳态尺度上足够精确地描述电磁暂态模型的动态特性，并且与现有方法相比，换相失败识别精度提高了18.8%。

神经网络（NN）动态特性在电力系统元件建模中正逐渐成为提高模型精度的有效方法。然而，现有数值方法在神经网络集成时域仿真（NNI-TDS）中存在收敛性差的问题。为了解决这一难题，本文从数学角度研究了神经网络动态特性对收敛性的影响，并提出了一种结合虚拟导纳（FA）和逐次超松弛（SOR）的集成方法，该方法能够显著提高收敛性并缩短仿真时间。首先，针对神经网络动力学，提出了一种基于诺顿定理的解码器，用于FA计算，并通过FA重构网络方程，有效提升了NNI-TDS的收敛速度。然后，提出了一种考虑各神经网络动力学特性的、针对特定神经网络动力学的SOR方法，以加速迭代。特别地，该方法能够自适应地确定最优SOR因子，而无需增加额外的计算负担。在两个标准测试系统（39节点和2383节点）以及一个实际的华东电网（5075节点）上的数值测试结果表明了所提出方法的有效性。具体而言，即使集成了100个神经网络动力学，在测试系统中也能实现比实时更快的仿真速度。

采用物理机理建立的同步发电机模型在表达发电机真实的非线性特性方面存在不足，电力系统正在不断研究和采纳新的同步发电机模型以增强模型的准确性。数据驱动模型具有更强的非线性表达能力，但在同步发电机建模实际应用中面临着模型泛化性不强和所需数据量大等问题。为克服上述问题，该文结合神经元建模原理，以循环神经网络为基本框架，在同步发电机物理机理的引导下，提出基于物理信息神经网络的同步发电机模型。经过算例验证，所提模型可准确表达同步发电机磁饱和特性，并且具有较强的泛化性。该模型可在小规模数据下对同步发电机各阶模型达到更高的拟合准确度，并可应用于现有机电暂态仿真算法。