电力系统的频率稳定是电网安全稳定运行的重要指标,由于高压直流输电技术的日益成熟和直流异步联网工程的投运,大电网有被分割成为多个异步小电网的趋势。此外我国的可再生能源发电量逐年增加,在此趋势下系统的备用容量和惯性都在缩小,从而导致系统在大型扰动的冲击下可能会产生更加严重的频率稳定问题,因此针对直流异步互联电网在遭受大扰动后的频率稳定紧急控制研究具有十分重要的意义。传统的电力系统模型预测方法虽然精度较高但普遍难以满足实时需求,而深度学习的蓬勃发展提供了电力系统安全稳定分析新的方向,以卷积神经网络为代表的深度学习算法在处理包含空间特征的图像数据上取得了不俗的成效,非常适合应用于具有空间分布特征的电力系统的预测分析之中。本文进行了基于卷积神经网络的频率稳定紧急直流功率支援及自动切负荷控制预测,主要研究内容概括如下:本文介绍了电力系统动态频率的概念,介绍了已应用在电力系统领域的浅层机器学习模型例如支持向量机的原理和算法,之后详细介绍了深度学习的代表算法之一卷积神经网络（Convolutional Neural Networks,CNN）,包括它的原理、结构和训练方法,以此表明了此方法在电力系统预测领域的应用潜力。本文提出了一种基于深度学习的电力系统扰动后频率稳定紧急控制策略,这种方法以电力系统遭受扰动前后的运行状态数据作为卷积神经网络的输入特征,快速而准确地预测出本次扰动后电网所需的直流紧急功率支援量和切负荷量。在制作用于卷积神经网络的样本时,考虑了电力系统节点的空间分布,同时针对CNN输入图像格式的要求,利用t-SNE（t-Distributed Stochastic Neighbor Embedding）算法将系统节点的分布情况降维投射到二维平面之上实现图像化输入。而在获取输出控制量之时,通过动态仿真结合线性化模型算法生成足量的用于紧急控制的样本输出数据,从而简化了生成样本的难度,并在一定程度上防止了样本的不平衡。针对深度学习可以输出多维变量的优势和特点,创新性地将输出变量由以往的单输入模式改为了矩阵形式,从而在不需要分层递进调用多个机器学习模型,且不需要提前预知稳态频率的情况下直接得到该次扰动所需的紧急控制量,大幅缩短了预测所需的时间。在样本制作完毕后,通过两个新英格兰39节点系统搭建而成的直流异步互联系统的算例详细阐述了如何搭建卷积神经网络并实现参数调优,又通过一系列的预测结果的对比与分析证明了所提的基于CNN的电力系统扰动后频率紧急控制能够出色地将目标区域的稳态频率提升至安全稳定要求的目标值59.5Hz以上,同时相比传统浅层机器学习方法具有更快的速度、更详细的电力系统信息以及更高的精度,且经过节点数据缺失实验证明了该方法的鲁棒性较好。