电网中低频功率振荡时有发生,对电力系统安全稳定具有很大威胁。在发生低频振荡后,快速锁定振荡源机组,才能及时调整相关参数使振荡现象消除。目前,随着电力系统的发展和人类社会对新能源的需求增加,风电机组不断接入仅含同步发电机的电力系统,对低频振荡源定位带来挑战。一方面,风电功率具有随机波动性,可能快速改变系统潮流分布;另一方面,对于服役时间较长的老旧同步机,其参数也具有不确定性。所以,对风电功率波动进行准确预测,并建立具有良好泛化性的振荡源定位模型,可以解决这个问题。本文结合机器学习技术,建立神经网络模型实现振荡源定位。首先,介绍了本文研究的背景和意义。阐述了该领域国内外研究现状,包括主要方法,主要成果和主要问题。并简要介绍了本文内容和章节安排。其次,建立了含有并网风机的多机电力系统仿真模型。分别介绍了用于低频振荡分析的四阶简化同步机动态模型,介绍了直驱风机的组成结构、控制策略和建模方法,介绍了电力网络模型和接口变量的转换方法。为后续进行非线性时域仿真,采集神经网络训练数据,建立开环闭环线性化状态空间模型奠定基础。再次,针对风电功率预测问题,论证了计及湍流强度因素的合理性,结合风机功率序列和气象数据的相关性,利用时间卷积网络建立具有时域相关性的数学模型,较传统预测方法提高了风电功率预测的精度,确定了后续风电接入电力系统后功率变化的范围。最后,针对风机接入电力系统的特点,提出了基于深度学习的低频振荡源定位方法。在不含风机的仿真系统中,利用风电功率预测结果,并结合系统其他参数的变化,进行潮流计算和非线性仿真,采集同步机运行数据作为卷积神经网络的训练集数据。再接入风机建立测试系统,把训练完成的网络迁移至测试系统中,对测试系统进行振荡源定位,验证模型是否具有准确性和泛化性。结果显示,当系统发生低频振荡时,模型能实现振荡源准确定位。