摘要:风速变化的间歇性和波动性给风功率的精准预测带来极大挑战，充分挖掘风电功率与风速等关键因素的内在规律是提高风电功率预测精度的有效途径。提出一种结合时间模式注意力(time pattern attention,TPA)机制的多层堆叠双向长短期记忆网络的超短期风电功率预测方法。首先，利用基于密度的含噪声空间聚类方法(density based spatial clustering with noise，DBSCAN)和线性回归算法进行风功率数据集的异常值检测，利用k最邻近（k?nearest neighbor,KNN)插值法重构异常点数据；其次，综合考虑风电功率与各气象特征的内在关联性，在MBLSTM网络中引入TPA机制合理分配时间步长权重，捕捉风电功率时间序列潜在逻辑规律；最后，利用实验仿真数据进行分析验证本文方法的有效性，该方法能够充分挖掘风功率与风速影响因素的关系，从而提高其预测精度。

摘要:为消除空间分布不确定性对电动汽车充电负荷超短期预测准确性的影响，提出一种基于充电桩利用率的电动汽车充电负荷超短期预测方法。首先，从海量充电交易数据中提取形成区域内各充电桩充电负荷功率，编码后得到充电桩利用率的量化值；然后，将充电桩利用率以及充电负荷功率数据融合，得到长短期记忆神经网络的训练样本和测试集，形成电动汽车充电负荷超短期预测的深度学习模型，时间分辨率可达0.5 h；最后，在不同规模充电负荷的场景下验证了所提方法的有效性和准确性。结果表明，相比无优化的长短记忆神经网络负荷预测方法，所提方法得到的预测值平均绝对百分比误差提高了约5%，可为未来车网互动下的配电网调度优化运行提供重要支撑。

摘要:分布式低碳能源站（distributed low?carbon energy station，DLCES）能提高能源利用效率和可再生能源消纳率，准确预测DLCES的未来运行状态能保障其安全可靠运行。为此，提出一种基于数据驱动的分布式低碳能源站状态预测方法。首先，分析DLCES结构与运行状态，利用关键状态量和偏移量变化将运行状态划分为正常、恢复、临界及紧急状态；其次，构建深度长短期记忆（long?short term memory，LSTM）模型，并利用改进粒子群算法进行超参数优化，提升预测模型性能；最后，利用测试集数据对柯西变异的粒子群算法（Cauchy mutation particle swarm optimization，CMPSO）和LSTM相结合的模型进行预测仿真，将其与RNN、LSTM及BP神经网络预测结果对比分析。结果表明：CMPSO?LSTM模型能提高预测效果，更具实际意义。

摘要:互感器是高压电力系统中的必备设备之一，一旦互感器发生故障，将会导致保护装置拒动误动，造成电网瘫痪。传统的故障诊断和分类方法首先从原始过程数据中提取特征，然后采用特定的分类器进行诊断，缺乏对原始数据中动态信息的自适应处理。为了提高传统循环神经网络在诊断中的准确度，并考虑到长短记忆神经网络诊断时间较长的缺陷，提出一种基于批标准化的LSTM模型的故障诊断方法。该方法无需进行特征提取和分类器设计，直接对故障进行分类，并且能自适应学习动态故障数据。通过与其他故障诊断方法比较，该方法的诊断精度和诊断性能较高，在互感器故障诊断领域具有良好的应用价值。

摘要:台区低电压预测是实现配电网低电压问题及时治理的关键。现有低电压预测方法大多依赖于对电网拓扑参数和用户信息的采集，存在所需数据繁杂、实时性较差、预测误差大的缺点。为此，提出一种基于LSTM?BP组合模型的台区低电压预测方法。首先，通过分析台区低电压的形成机理，得出影响节点电压的主导因素为用户功率值。基于此，利用长短期记忆网络（LSTM）实现配电台区各节点用户负荷曲线的短期预测。接着，利用BP神经网络的自学习能力，建立节点用户功率和节点电压间的非线性映射关系。通过有效组合上述2个神经网络模型，实现以历史负荷数据精准快速预测台区所有节点用户的未来电压情况。最后，以某台区为研究对象，对比实际电压和本文预测所得电压数据，结果表明，在1 V误差范围内，预测准确率为99.98%，与传统电压预测方法相比，本文所提方法在线实施过程无需台区拓扑结构、线路参数、用户电压等信息，即可实时实现台区低电压的简单、快速、精确预测。

摘要:电子式电压互感器的测量准确度与电网的安全性和经济性有着紧密的联系。为准确地预测EVT长期运行过程中的误差，提出一种考虑多种因素的组合预测方法。该方法通过相关性分析选取与EVT误差相关性较强的参量作为特征量，分别使用融合注意力机制的LSTM模型与SVR模型对互感器的误差进行预测，随后将所得的各预测结果进行组合以得到最终的预测结果。对某变电站实时运行数据进行仿真分析，结果表明所提出的方法能够有效预测EVT在未来一段时间内的误差变化信息，对变电站及时预知EVT误差问题并安排进行计量性能检修具有一定的参考价值。

摘要:为提升用电水平,借助人工智能技术进行电力客户主动服务是必然趋势。针对电力行业中在客户主动服务方面的研究不足,提出一种基于LSTM-Attention融合的电力客户主动服务推荐方法。该方法能够有效地解决单一深度学习模型在服务推荐当中出现的梯度弥撒以及梯度爆炸等问题。本文首先建立从电力投诉工单提取客户潜在服务需求的模型;进而获得基于LSTM-Attention融合算法的电力客户主动服务推荐方法;最后采用某市电力客户投诉工单实例随算法和模型进行验证。实验表明本文方法正确有效。

摘要:为了提高风电入网的稳定性，提出一种基于风电功率预测的电动汽车双阶段调价策略。该策略通过预测风电和调节电动汽车价格来提高电网对风电的消纳能力。预测阶段，采用对时间序列有记忆能力的LSTM神经网络来预测风电功率，并与时间序列预测做对比。定价阶段，以预测风电功率曲线与充电负荷曲线相似度高、充电成本小为目标函数建立调价优化模型，通过预测的风电功率制定价格，用价格调节负荷，让充电负荷量随时间贴近风电功率。最后，通过模拟得到电动汽车原始充电负荷曲线，求解调价优化模型后，将优化前后的充电负荷对比，后者更加贴近预测风电功率，证明了该策略的有效性。