电力系统频率是反映电网状态的重要标志。研究电力系统的频率稳定,即是研究如何预测电网发生扰动后频率响应的变化及控制策略的制定。现代电网网架结构日趋复杂,新能源接入等使得频率动态变得难以分析。而电力系统运行信息的采集设备也日新月异,每日采集电气量信息已经达到TB级别,电网进入“大数据”时代。目前,通过数值仿真方法进行频率偏移量计算的方式难以满足在线需求,以机器学习为代表的人工智能算法逐步进入应用阶段。然而以数据为驱动的算法对数据质量极为敏感,电网所采集的电气数据存在严重的信息冗余和缺失以及不平衡样本的问题。因此提高电力系统样本的质量,对于数据驱动算法在电力系统安稳中的应用具有重要的理论价值和实际意义。具体地来说就是改进样本的组织与生成方法来达到预期效果。本文的具体研究内容概括如下:(1)介绍了基于机器学习的样本组织与生成方式,作为本文机器学习算法应用的大数据样本来源。分析了历史量测数据和仿真数据的异同,建立了样本组织与生成的模型。(2)阐述了机器学习理论及其经典的模型,分析了包括简单人工神经网络和卷积神经网络的机理。在此基础上,详细介绍了生成对抗网络的结构、原理以及应用场景。总结了生成对抗网络的训练算法以及优缺点。最后引出了生成对抗网络的改进算法深度卷积生成对抗网络,指出了其相较于其它算法在电力系统合成样本生成方面的优势。(3)提出了一种基于深度卷积生成对抗网络(DCGAN)的电力系统频率样本增强方法。根据电力系统频率的相关概念和电力系统功率扰动的过程选出合适的样本数据的电气量特征并进行提取设计。基于PSS/E的样本库生成程序,批量生成样本数据,以仿真数据代替历史量测数据。构建了可以用于解决电力系统不平衡样本问题的DCGAN样本增强模型的结构、模型训练方法以及合成样本质量的评价指标。通过一个测试系统和一个实际系统的仿真分析,对该方法进行了验证,从定量和定性两方面证明了该方法的有效性,满足工程需求。(4)针对DCGAN生成的合成样本仅从数据层面而未从实际应用中验证的不足,实现了基于深度置信网络(DBN)的扰动后频率响应的预测方法,构建了其模型相应的建立方法以及训练方法。设计了对照实验以验证不平衡样本对DBN预测效果的影响,同时验证了合成增强样本替代真实样本的效果。通过在测试系统上的对照实验的设计和预测模型的训练以及效果评估,得出了基于DCGAN的增强样本的方法切实有效,对频率预测精度有较大地提升。