电力系统的频率稳定是电网安全稳定运行的重要指标,然而现代电力系统中区域的互联以及大量的新能源并网,给电网的频率稳定性带来了新的风险与挑战。一方面,电力系统通过超特高压交直流进行区域互联,大大增加了系统的复杂程度,同时也增大了输电走廊破坏、大容量机组故障导致的风险及其影响范围。另一方面,大量的新能源机组并网,增强了系统的随机波动性和安全风险,削弱了系统的惯性和频率控制能力。基于物理模型的电力系统频率预测方法存在准确性与实时性上的矛盾,而传统的浅层机器学习方法难以适应具有复杂非线性特征的现代电力系统。近年来,深度学习的热潮给电力系统安全稳定分析带来了新的思路,以卷积神经网络为代表的深度学习算法在处理具有空间特征的图像数据上获得了成功的应用,也展现了其在处理具有空间分布特征的电力系统数据上的应用潜力。本文围绕电力系统频率预测,开展了基于卷积神经网络的电力系统扰动后动态频率特征预测的研究;针对物理模型与机器学习方法各自的优势,研究了基于物理-信息融合的动态频率特征预测方法。论文主要研究内容概括如下:阐述了电力系统动态频率的基本概念,介绍和总结了在电力系统频率预测领域常用的若干机器学习模型的结构与原理,包括:支持向量回归,人工神经网络,多层感知机。详细阐述了卷积神经网络的基本概念,结构以及训练过程。通过与几种机器学习模型之间的对比,指出了卷积神经网络在电力系统频率预测应用上的适用性与优势。针对卷积神经网络在电力系统扰动后频率预测的应用,首先提出了一种卷积神经网络输入特征筛选以及系统运行状态数据库生成方法,基于电力系统受到功率扰动下的动态频率过程筛选了关键的电力系统运行数据信息作为卷积神经网络的输入特征量,以扰动后系统最低频率作为输出,利用PSS/E自动大批量生成了电力系统运行状态数据库。在电力系统运行状态数据基础上提出了一种卷积神经网络张量输入构建方法,利用电气距离描述电力系统节点的高维空间位置,利用t分布随机临近嵌入算法将系统节点降维映射到二维平面,并实现了从原始向量运行状态数据到张量数据的重构,保留了系统节点状态数据的空间信息。利用张量样本数据完成了对基于卷积神经网络的频率分析模型的训练。在改进的含风电场新英格兰39节点系统和美国南卡罗莱纳州实际电网上对该方法进行了验证,证明了该方法的优越性以及实时性。针对用于电力系统频率预测的物理模型和机器学习模型各自的优势和不足,提出了一种物理-信息融合的电力系统扰动后频率预测方法。首先使用一种计及风电场的电力系统等值物理模型建立电力系统扰动与动态频率之间的关键物理联系,然后利用卷积神经网络建立基于电力系统运行状态信息的机器学习模型,最后使用自适应神经模糊推理系统对两个子模型的频率预测结果进行有机融合实现集成学习,得到物理-信息融合后的最低频率预测结果。利用改进的含风电场新英格兰39节点系统验证了所提方法对频率预测精度的有效提升。