电力系统频率是反映系统运行状态以及电能质量的重要指标。为了保证电力系统安全稳定运行,必须将系统的频率维持在合格的运行范围内,而电网扰动后频率响应的准确预测对于频率的稳定控制具有重要意义。随着交直流特高压输电工程的建设以及大规模可再生能源的接入,大电网频率动态行为愈加复杂。大扰动后频率最大偏移量等频率响应特征的计算通常通过数值仿真的方法,对于大电网而言耗时量大,其计算结果还受可再生能源模型等各种因素影响。深度学习作为一种快速发展的智能化机器学习方法,在电力系统分析和评估中具有重要应用前景,特别适合对频率响应模式等瞬变性比较弱的动态行为进行分析。因此,探索深度学习智能化机器学习方法在大电网频率预测中的应用,对丰富电网分析和控制手段具有重要的理论价值和实际意义。本文的具体研究内容和结果如下:(1)介绍了深度学习的理论及其适应场景,作为本文研究深度学习方法在频率预测中应用的理论基础。介绍了深度学习的概念和思想,分析了深度网络相较于浅层网络的优势,详细阐述了深度学习的“预训练—参数微调”的训练特点。归纳并分析了深度学习的典型模型和网络结构。最后基于理论基础说明了在频率预测问题中运用深度学习的适用性及优势。(2)分析了大电网频率响应模式并提取了影响频率响应模式的关键特征量。分析了大扰动后频率响应的描述方法,选取了大电网频率响应模式中的频率平均变化率、频率最大偏移量及其对应时间作为频率预测的特征量,并给出了其计算方法;分析了功率扰动程度等频率预测模型输入特征量变化时对于系统频率响应的影响原理。通过仿真研究了各输入特征量对于电力系统频率响应特性的具体影响,为基于深度学习进行频率响应模式分析的方案提供必要支持。(3)构建了大电网海量大扰动频率响应场景的生成机制。运行方式、扰动信息与频率响应模式三者之间的对应关系是深度学习的对象和基础,基于此提出了大扰动频率响应数据库的具体生成策略。研究了基于PSS/E的大扰动场景批处理生成方法,编程分模块设置扰动函数,再通过Python循环调用扰动函数模块,生成频率响应模式海量数据样本,为深度学习算法进行频率预测提供了数据支持。(4)提出了一种基于深度信念神经网络(DBN-DNN)的大扰动后频率响应模式预测和分析的实现方案。设计了适应大电网分析的DBN-DNN结构,构建了基于DBN-DNN的频率预测模型、网络参数确定方法和预测流程,分别制定了模型的输入量、输出量和评价模型性能的指标。通过仿真分析探讨了不同结构参数对于基于DBN-DNN的频率预测模型预测效果的影响,比较了 DBN-DNN与深度神经网络和BP神经网络预测性能的优劣,验证了基于DBN-DNN的频率预测方法的有效性和优越性。