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%。