摘要:为响应中国“双碳”目标，以风电为代表的新能源在电网出力中的比重不断提升，有效的风机出力预测对于提前制定电网的调度与发电计划尤为重要。由于风电数据具有不规则性强、季节性强等特点。为此，针对单模型预测方法无法解决风电间歇性的同时保证预测精度的问题，提出一种利用差分自回归移动平均(autoregressive integrated moving average, ARIMA)时间序列、长短期记忆(long short?term memory, LSTM)网络和径向基函数(radial basis function, RBF)神经网络建立组合模型对某地区风机出力进行短期预测。首先，进行数据预处理及序列平稳性分析与处理，得到平稳性序列并通过ARIMA预测，其次，将不满足残差白噪声分析判定的不规则数据通过LSTM预测；然后，使用RBF神经网络学习和模拟得出预测值以提升精度；最后，基于某风电接入系统数据进行仿真。通过与其他单一模型预测方法对比，结果表明：所提出的组合模型预测方法能够对季节性强和不规则性强的风电数据进行预测并且有更好的预测精度，为相应设备的运行与调度提供参考，提升供电可靠性。

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: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。