随着新能源的引入和节能减排的压力,我国电力系统正经历着一系列变革与挑战。电力系统频率是反映交流电网全局功率盈缺的一个重要的运行指标。对于电力系统频率的传统研究方法(如时域分析法、直接法、等值模型法等)基于物理理论分析的思路,存在构建模型复杂、无法兼顾计算量和计算精度的问题。一些基于人工智能的方法(如神经网络、决策树、贝叶斯网络)在面向电力系统的非线性问题,存在泛化能力不足和准确率低等问题。传统机器学习方法有梯度提升决策树(GBDT)和支持向量机(SVM),GBDT具有较强的泛化能力,SVM可以求解高维空间的决策问题,二者广泛用于预测和分类任务。深度学习是机器学习的一种类型,电力系统遭受扰动后的频率动态是一个时间序列,深度学习长短期神经网络(LSTM)和径向基网络(RBF)能够捕获序列中长距离的关联,适合处理序列预测问题。本文从电力系统频率的基本概念出发,分析电力系统的静态频率特性和动态频率特性。使用基于时域法的PSASP搭建网络模型进行电力系统暂态稳定性仿真,并引入CEPRI36和IEEE39标准节点算例分析扰动后的频率响应特性。两种算例的数据和频率特性曲线一致可以说明扰动与频率变化存在较强的关联性,且与电压、功角差呈现弱关联性。因此提出通过机器学习的方法对这些特性进行学习并用于电力系统频率的预测。根据扰动后频率的时间序列,分别构建传统的机器学习模型GBDT和SVM模型进行频率预测。神经网络适用于处理序列问题,构建深度学习的LSTM和RBF模型进行频率预测。理论分析和预测结果均表明,电力系统扰动后的频率可通过频率时间序列进行研究分析,机器学习方法GBDT和深度学习方法LSTM都可以用于电力系统频率态势的研究。LSTM预测模型的准确最高,且训练和预测过程比较稳定;GBDT模型的预测速度比LSTM模型快。SVM模型存在预测精度差的问题,而RBF模型频率预测方面效果最差,训练集损失和测试集损失都比较大,且模型不容易训练。