随着大规模可再生能源并网,现代电力系统的频率稳定问题日益突出。预测电网扰动后的最低频率是频率稳定在线评估的核心,快速准确的预测可为制定频率紧急控制策略提供参考,对提高系统的频率稳定性意义重大。电力系统的动态频率是一个与空间和时间相关的复杂变量,为了充分利用量测数据中的时空相关性,并在预测时兼顾计算速度和准确性,本文将深度学习应用于频率稳定问题,基于卷积长短时记忆网络（ConvLSTM）对电网动态频率的预测展开了相关研究,全文主要研究工作概括如下:（1）针对电力系统动态频率的特性,提出了一种预测电网扰动后最低频率的方法。所提预测方法基于ConvLSTM,结合了长短时记忆网络和卷积神经网络的优势,原理层面的分析表明,该方法在电力系统动态频率预测方面具有良好的适应性。（2）以电网惯性中心最低频率为预测对象,给出了ConvLSTM预测模型的详细建立过程,包括输入特征量的选取、基于PSS/E的电力系统样本库的组织与生成、模型输入张量的构建。在新英格兰10机39节点系统上,具体分析了模型结构、输入时间序列长度、电气节点分布平面对预测模型的影响,通过与其他机器学习方法（e-支持向量回归、一维卷积神经网络、长短时记忆网络）的比较,表明了所提方法在预测性能上的优势。进一步,为了研究量测数据缺失对ConvLSTM预测模型的影响,从采样数据丢失和测量装置不完全配置两个角度设计了算例,结果显示该预测模型具有较强的鲁棒性和学习能力。最后,在美国南卡罗来纳州实际系统中进行了验证,结果表明所提预测方法在大系统上也具有一定的应用能力。（3）为了更好地构建含新能源电网扰动后的样本数据库,在单一切机扰动的基础上扩充了样本空间,考虑含新能源电网的连锁事故,模拟了线路故障、线路跳闸、故障清除、风机跳闸、线路合闸这一系列扰动,并以前述所提方法预测了电网扰动后的惯性中心最低频率。鉴于动态频率响应具有时空分布特征,为了制定更加高效的频率紧急控制策略,以单一切机扰动为例,基于ConvLSTM预测模型实现了下各发电机组最低频率的预测,经改进的含风电新英格兰系统验证,可以达到较高的预测精度。