频率是反映电力系统运行状况和电能质量的重要指标之一,作为系统稳定性问题之一的频率稳定性近年来受到了广泛关注。在现代电网中,随着特高压交直流输电线路的发展,传输容量不断提升的输电线路在因事故断开时,受端系统频率稳定性受到的威胁将随之增加;此外,随着风电、光伏等可再生能源接入电网的比例不断升高,系统的惯性、备用功率降低将导致系统频率调节能力下降,频率变化速度加快,使电力系统在维持频率稳定性方面面临更加严峻的挑战。通过快速预测扰动后系统频率可实现频率稳定性分析和协调频率控制措施的制定。目前,基于物理模型的频率预测方法多存在难以兼顾预测速度和预测精度的问题,基于浅层机器学习算法的频率预测方法因算法本身有限的数据处理能力难以应用于实际电网。深度学习算法的面世和其在众多领域的成功应用为扰动后动态频率预测提供了新的思路,电力系统包含丰富的历史运行数据和仿真数据,为深度学习的训练提供了数据支撑,而训练后的深度学习模型具有极快的预测速度,可以满足频率稳定在线分析的要求。因此,本文基于电力系统扰动后动态频率预测问题,分别展开了基于深度置信网络和长短时记忆网络的电力系统扰动后动态频率预测方法的研究。本文主要内容概括如下:对深度学习的概念、发展和分类进了简要概述,重点讲述了深度置信网络和长短时记忆网络的发展及在电力系统中的应用;介绍了扰动后电力系统动态频率的定义,明确预测目标为扰动后系统的惯性中心频率,并介绍了用于描述动态频率特性和作为频率稳定性评价指标的频率特征值的相关概念;对建立深度学习预测系统扰动后动态频率模型的步骤进行了统一说明。将具有深度特征提取能力的深度置信网络应用于扰动后动态频率预测问题。首先通过分析与电力系统动态频率变化的相关因素,提出了适用于深度置信网络的输入特征类型;然后,利用Python调用PSS/E,批量生成了用于训练深度学习模型的大量仿真样本;通过多次经验尝试了深度置信网络结构的参数调试方法,选取深度置信网络的超参数,并定义了动态频率预测模型的性能评价指标。最后,文中以新英格兰10机39节点系统和美国南卡罗莱纳州实际电网作为测试系统,验证了基于深度置信网络的扰动后动态频率预测模型的准确性。利用具有循环结构和单元状态的长短时记忆网络在处理与时间序列相关问题方面的优势,提出了基于长短时记忆网络的电力系统扰动后动态频率预测方法。提出了适用于长短时记忆网络的输入,包括输入序列的长度和输入的特征类型。本节选取的输入特征其数量与电网规模无关;然后,建立了长短时记忆网络的动态频率预测模型,确定了模型中的超参数。文中仍以新英格兰10机39节点系统和美国南卡罗莱纳州实际电网作为测试系统,验证了基于长短时记忆网络的扰动后动态频率预测模型的有效性和准确性。