双向长短时记忆网络

针对长短期记忆(long short term memory, LSTM)神经网络存在短期负荷预测精度低和稳定性差的问题，提出一种基于多策略改进金豺(improved golden jackal optimization, IGJO)算法优化LSTM的短期电力负荷预测模型。首先融合凸透镜成像反向学习策略，探索更好的初始解位置；引入Sigmoid函数改变逃逸能量，平衡探索和开发阶段；融合鲸鱼优化算法的螺旋包围机制，增强探索能力，提高收敛精度。然后，引入LSTM神经网络，利用IGJO算法优化LSTM的超参数，并建立IGJO-LSTM短期电力负荷预测模型。最后，使用河南某地区的实际电力负荷数据验证IGJO-LSTM短期负荷预测模型。实验结果表明，所提预测模型在工作日和周末不同时刻的电力系统短期负荷预测结果与实际负荷较接近。相比于传统预测方法，所提预测模型具有更高的精确度和稳定性，并具有一定的实际应用潜力。

为了保证油浸式变压器故障诊断的可靠性，提出了一种基于多策略改进蜣螂算法(multi-strategy improved dung beetle optimizer, MIDBO)优化双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)的变压器故障诊断方法。由于蜣螂算法存在全局搜索能力较差、容易陷入局部最优解的缺点，首先通过Bernoulli混沌映射、引入自适应因子和Levy飞行策略融合动态权重系数进行改进，并对其性能进行评估。然后针对BiLSTM的诸多超参数利用MIDBO进行优化，形成MIDBO-BiLSTM故障诊断模型。通过核主成分分析(kernel principal component analysis, KPCA)提取特征值，进而深入分析特征值与故障类型之间的关联性，提高模型的收敛速度。最终实验结果表明所提出的MIDBO-BiLSTM变压器故障诊断方法准确率高、泛化能力强。其准确率高达94.67%，适用于变压器的故障诊断。

网络流量的异常检测对于保护电力信息系统安全具有重要意义。目前深度学习等人工智能技术在入侵检测中表现出良好的性能,但由于电力流量数据中类别不平衡以及噪声含量高等问题,严重影响入侵检测模型的准确率。针对以上问题,文章提出了一种深度残差收缩网络(deep residual shrinkage networks,DRSN)-双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)混合深度学习模型实现及时有效的多矢量攻击威胁识别与检测。首先采用条件生成对抗网络模型生成少数类数据,构造平衡数据集,然后使用DRSN-BiLSTM模型进行特征提取,DRSN中的残差项可以解决网络退化与过拟合问题,注意力机制降低了噪声对异常流量检测的影响,同时基于BiLSTM进行流量时序特征提取,最后用softmax分类器进行流量分类,实现网络入侵检测。该模型在电力信息系统数据集上进行了测试,结果显示,提出的混合深度学习模型在检测准确性、精确度、召回率和F1分数指标均优于比较算法。

准确预测锂电池荷电状态（SOC）对电池安全运行至关重要，分析在电网不同模式下的SOC更是锂电池全面推广的基础。提出一种基于莱维飞行的鲸鱼优化算法（LWOA）优化长短时记忆神经网络（LSTM），对调频模式下的大容量锂离子电池SOC进行估计。首先，分析LSTM神经网络和LWOA算法，构建LWOA-LSTM模型，进行参数优化；然后，选取调频模式下大容量锂离子电池组实验数据，对数据进行预处理和模型训练；最后，实现调频模式下锂电池的SOC估计。试验结果表明：所构建模型能准确预测锂电池SOC，较WOA-LSTM模型，评估指标RMSE和MAE分别降低了25.55%、28.71%，R2上升了0.76%。