The main objective of the dissertation is to develop a fast and robust tool for assessment of power system stability and design a framework for enhancing system stability. The proposed framework is - based on the investigation of the dynamic behavior of the system - a market based rescheduling strategy that increases the stability margin. The dissertation specifically puts emphasis on the following approached: Power System Stability Evaluation: System stability is investigated by simulating a set of critical contingencies to determine whether the disturbances will result in any unsafe operating conditions and extract the necessary information to classify system states. The classification is based on the computation of the critical fault clearing time (CCT) for transient stability assessment (TSA) and the minimum damping of oscillation (MDO) for power system oscillatory stability assessment (OSA). The customary method of power system transient stability analysis including time-domain simulation (TDS) is used to compute the CCT at each critical contingency and Prony analysis as an efficient identification technique to estimate the mode parameters from the actual time response. The use of Prony analysis is to account for the effects of the change in location of the small disturbances as well as the increase in system nonlinearity on oscillating modes. Fast Power System Stability Assessment Tool: An artificial neural network (ANN) is designed to serve as accurate and fast tool for dynamic stability assessment (DSA). Fast response of ANN allows system operators to take suitable control actions to enhance the system stability and to forestall any possible impending breakup of the system. Two offline trained ANN are designed to map the dynamic behavior by relating the selected input features and the calculated CCT (as indicator for transient stability) and MDO (as indicator for oscillatory stability). Input features of ANN are selected to characterize the following: Changes in system topology and power distributions due to outage of major equipment such as transmission line, generation unit or large load Change in fault location and the severity of the fault Variation in loading levels and load allocation among market participants The features are generated for a wide range of loading at each expected system topology. Initial feature sets are pre-selected by engineering judgment based on experience in power system operation. In order to improve the accuracy of ANN to map the power system dynamic behavior, final selection is performed in the following three steps. In the first step, the generators terminal voltage drops immediately after fault are selected features to characterize the severity of the contingency with respect to the generators and to detect the fault location. In the second step, new features based on the inertia constant and the generated power in each area are calculated to characterize the changes in system topology and power flow pattern during normal and abnormal operation. In the third step, a systematic clustering feature selection technique is used to select the most important features that characterize the load levels and the power flow through lines from the mathematical viewpoint. The results prove the suitability of ANN in DSA with a reasonable degree of accuracy. Dynamic Stability Enhancement: To achieve online dynamic stability enhancement an online market based rescheduling strategy is proposed in the deregulated power systems. In case of power system operation by a centralized pool in vertically integrated electric utilities, generation rescheduling based sensitivity analysis is proposed. In the proposed market for deregulated power systems, the transactions among suppliers and consumers participating in the market are reallocated based on optional power bids to enhance system stability in case the available control actions are insufficient to enhance system stability. All participants are allowed to submit voluntary power bids to increase or decrease their scheduled level with equal chance. These bids represent the offered power quantity and the corresponding price. The goal of the framework is to enhance system stability with minimum additional and opportunity costs arising from the rescheduling. In case of vertically integrated electric utility, generation rescheduling based sensitivity analysis is used to enhance the system stability. The sensitivity analysis is based on the generators response following the most probable contingency. The generators are split into critical machines with positive sensitivity and non-critical machines with negative sensitivity. The change of the generation level among critical and non-critical machines provides the trajectories for stabilization procedure. The re-allocation of power among generators in each group is calculated based on the generator capacities and inertia constant, which simplifies the optimization procedure and speeds up the iterative to find a feasible solution. The objective is to minimize the increase in the cost due to rescheduling process. Particle swarm optimization is used as an optimization tool to search for the optimal solution to enhance the system stability with a minimum cost. The handling of all system constraints including stability constraints is achieved using a self-adaptive penalty function. Comparison strategy for selecting the best individuals during the optimization process is proposed where the feasible solutions are ever preferable during selection of local and global best particles. Die Schwerpunkte der Dissertation liegen in der Entwicklung eines schnellen und robusten Echtzeit-Bewertungsinstruments für Stabilitätsuntersuchungen in elektrischen Energienetzen und in dem Entwurf von Rahmenbedingungen zur Verbesserung der Systemstabilität. Basierend auf Untersuchungen bezüglich des dynamischen Verhaltens von elektrischen Energienetzen ist das Ziel der vorgeschlagenen Rahmenbedingungen, eine Planungsstrategie zu entwickeln, die marktwirtschaftlich ausgerichtet ist, um so die Stabilitätsgrenze zu verbessern und die erforderliche Systemsicherheit zu gewährleisten. Die dynamische Stabilität von elektrischen Energienetzen wurde bezogen auf die transiente und oszillatorische Stabilität untersucht, welche zur Beurteilung des dynamischen Verhaltens des Systems während Netzstörungen genutzt wird. Das Ziel der Dissertation ist die folgenden Aspekte zu untersuchen: Evaluierung der Dynamischen Stabilität: Die dynamische Stabilität ist durch die Simulation von kritischen Netzereignissen untersucht worden. Ziel war es, Störungen zu ermitteln, die zu kritischen oder gar unsicheren Betriebszuständen führen, und wichtige Beurteilungsparameter über den Zustand des Netzes auszuwählen. Die Beurteilungsparameter über den Zustand des elektrischen Energienetzes sind unter Verwendung der kritischen Fehlerklärungszeit als Indikator für die transiente Stabilität und der minimalen Dämpfung von Oszillationen als Indikator für die ozillatorische Stabilität ermittelt worden. Die übliche Methode bei einer transienten Stabilitätsanalyse in elektrischen Energienetzen basiert auf Simulationen im Zeitbereich und wird unter der Verwendung von vordefinierten netzkritischen Ereignissen genutzt, um die kritische Fehlerklärungszeit präzise zu berechnen. Die Prony-Analyse als eine effiziente Identifizierungstechnik wird zur Schätzung der Zustandsparameter auf eine einer Störung folgenden Zeitantwort verwendet. Der Gebrauch der Prony-Analyse erfasst die Veränderungen im Fehlerort von kleinen Störungen und einen Anstieg von Systemnichtlinearitäten im oszillatorischen Modus. Die mit Hilfe der Modalanalyse berechneten Parameter für den oszillatorischen Modus werden als Referenzsignale während des Abstimmens der Parameter der Prony-Analyse verwendet. Ziel ist die Verbesserung der Identifizierung des Systemmodus. Schnelles Bewertungswerkzeug für die dynamische Stabilität: Ein präzises und schnelles Werkzeug für die Bewertung von dynamischer Stabilität wurde mit Hilfe von künstlichen, neuronalen Netzen entwickelt. Die schnelle Antwort eines künstlichen, neuronalen Netzes ermöglicht es dem Netzbetreiber, geeignete fehlerbehebende Schalthandlungen während kritischer Netzereignisse durchzuführen. So kann die Stabilität des elektrischen Netzes gewährleistet und bevorstehende Netzausfälle verhindert werden. Zwei offline trainierte künstliche neuronale Netze sind entwickelt worden, um a) das dynamische Verhalten unter Verwendung ausgewählter Eingangseigenschaften und b) die berechnete kritische Fehlerklärungszeit als Indikator für die transiente Stabilität und die minimale Dämpfung der Oszillationen als Indikator für ozillatorische Stabilität abzubilden. Künstliche, neuronale Netze bieten vielversprechende Lösungen für schnelle Berechnungen bei online Anwendungen. Als Folge kann die hohe Anzahl an Berechnungen, die zur Untersuchung aller zu erwartenden kritischen Netzereignissen in elektrischen Energienetzen benötigt werden, schnell durchgeführt werden. Dies ermöglicht eine Bewertung der Systemzustände des elektrischen Netzes und eine Initiierung der zu erwartenden Schalthandlungen, um so die Systemstabilität zu verbessern. Für eine genaue Bewertung der dynamischen Stabilität sollten die Eingangseigenschaften für das künstliche, neuronale Netz sorgfältig ausgewählt werden. In dieser Arbeit sind die Eingangseigenschaften aus den gesamten Systemdaten ausgewählt worden, um die folgenden Eigenschaften kennzuzeichnen: i. Veränderungen in der Systemtopologie und des Lastflusses durch Ausfälle oder planmäßige Wartungen von Hauptkomponenten des Systems, wie zum Beispiel Übertragungsleitungen, Erzeugereinheiten oder großen Lasten ii. Veränderungen des Fehlerortes und des Einflusses des Fehlers auf die elektrischen Komponenten iii. Laständerungen und Lastaufteilung zwischen Netzversorgern Die Eingangseigenschaften wurden für viele, unterschiedliche Lastszenarien in Verbindung mit den zu erwartenden Netztopologien erzeugt. Die Anfangsbedingungen sind auf Grund von Erfahrungen mit dem Betrieb von elektrischen Energienetzen und bedingt durch das zu schätzende Ziel vorausgewählt. Die endgültige Auswahl der Eingangseigenschaften ist in drei Schritte unterteilt, um so die Genauigkeit des künstlichen, neuronalen Netzes zu erhöhen, welches die dynamische Stabilität des Energienetzes abbildet. Im ersten Schritt sind die Generatorklemmenspannungseinbrüche direkt nach der Netzstörung die wichtigen ausgewählten Eigenschaften. Hierdurch wird die Schwere des kritischen Netzereignisses aus der Sicht der Erzeugungseinheit gekennzeichnet und die Fehlerstelle lokalisiert. In dem zweiten Schritt werden neue Eingangseigenschaften basierend auf der Massenträgheitskonstante des Systems und der erzeugten Leistung in jedem Gebiet berechnet. So können Veränderungen in der Netztopologie und des Lastflusses unter normalen und gestörten Betriebsbedingungen gekennzeichnet werden. Im dritten Schritt wird eine systematische Cluster-Bildung der Eigenschaften genutzt, um so die wichtigsten Eigenschaften auszuwählen, die Aussagen über die Lastzustände und den Lastfluss über die Leitungen zulassen. Alle ausgewählten Eigenschaften repräsentieren das Eingangsmuster, wobei das Ausgangsmuster der Index der dynamischen Stabilitätsanalyse ist. Die Ergebnisse stellen die Eignung des künstlichen, neuronalen Netzes bei der Bewertung der dynamischen Stabilität dar. Verbesserung der dynamischen Stabilität: Eine online Verbesserung der dynamischen Stabilität kann durch eine vorgeschlagene marktwirtschaftliche Neuplanung des deregulierten Energiesystems und durch eine Neuplanung der Erzeugungseinheiten basierend auf der Empfindlichkeitsanalyse im Falle des Betriebs des Energienetzes durch eine zentrale Einheit erreicht werden. In dem vorgeschlagenen Markt für deregulierte Energiesysteme wird im Falle, dass vorgesehenen Schalthandlungen das Netz nicht in einen stabilen Zustand zurückbringen kann, die Energie zwischen Versorgern und Verbrauchern basierend auf optionalen Leistungsgeboten umgeschichtet. Alle Erzeuger und Verbraucher sind berechtigt an diesem Markt durch freiwillige Leistungsgebote teilzunehmen, um so ihre geplante Menge chancengleich zu erhöhen oder zu verkleinern. Diese Gebote der Marktteilnehmer repräsentieren die angebotene Leistungsmenge und den darauf bezogenen Preis. Teilnehmer, von denen es verlangt ist, Erzeugung oder Verbrauch zu reduzieren, werden für diese Möglichkeit zur Reduzierung bezahlt. So kann der Verlust der Serviceleistung kompensiert werden, während Teilnehmer, deren Leistung erhöht wird, durch den Marktpreis plus zusätzlicher Kosten für zusätzliche Veränderungen entlohnt werden. Das Ziel dieser Rahmenbedingungen ist eine Verbesserung der Systemstabilität kombiniert mit einem Minimum an zusätzlichen Kosten auftretend durch die Neuplanung. Im Falle eines zentralen Energiemarktes wird die Neuplanung der Erzeuger basierend auf der Empfindlichkeitsanalyse durchgeführt, um so eine Verbesserung der Systemstabilität zu erreichen. Die Empfindlichkeitsanalyse bezieht sich auf die Systemantwort des Generators während des belastbarsten kritischen Netzereignisses. Dieses kritische Netzereignis trennt die Erzeugungseinheiten a) in kritische Maschinen, die eine positive Empfindlichkeit besitzen, und b) in nicht-kritische Maschinen mit einer negativen Empfindlichkeit. Die Einteilung in kritische und nicht-kritische Maschinen ermöglicht eine Lösung für die Stabilisierung des Systems. Die Verteilung der verschobenen Leistung zwischen den Generatoren in jeder Gruppe wird unter Verwendung der Generatorleistungen und der Massenträgheitskonstanten berechnet. Dies erleichtert den Optimierungsalgorithmus und beschleunigt das Erhalten einer möglichen Lösung. Das Ziel ist die Minimierung der Erhöhung der Kosten für die absolut erzeugte Leistung auf Grund der Abweichung vom wirtschaftlichen Arbeitspunkt. In dieser Arbeit wird die Particle Swarm Optimierung als Werkzeug verwendet, um damit eine optimale Lösung mit den minimalen Kosten zu erlangen. Dadurch kann eine Verbesserung der dynamischen Stabilität des elektrischen Energienetzes unter Berücksichtigung aller systembedingten Nebenbedingungen erlangt werden. Die Handhabung aller systembedingten Nebenbedingungen inklusive der Nebenbedingungen der dynamischen Stabilität kann durch eine selbstanpassende Straffunktion erreicht werden.