双向长短期记忆网络

直流微电网是一个网络物理信息系统，在信息传递的过程中容易遭受网络攻击的影响。虚假数据注入信息通道会影响微电网的系统安全。检测并修正虚假数据注入攻击，能够提升微电网系统运行的安全性。针对这一问题，提出了一种基于卷积神经网络（convolutional neural network，CNN）和长短期记忆网络（long short-term memory，LSTM）联合最大互信息系数（maximum information coefficient，MIC）的二阶段虚假数据注入攻击检测方法。首先，使用CNN从直流微电网运行的时序数列中提取时序特征，运用LSTM模型结合CNN提取的时序特征运行得到直流微电网运行状态预测值，与直流微电网运行的实际值对比，初步判断系统中是否存在虚假数据；其次，考虑到CNN-LSTM模型存在一定的误报率，构建MIC校验器，进一步判断系统中是否存在虚假数据并恢复；最后，通过直流微电网Matlab仿真分析，验证了所提方法的合理性和可行性。

电网在运行过程中会产生大量的设备缺陷文本记录,针对变电设备缺陷文本的特点,文章提出了基于注意力机制的混合神经网络(hybrid neural network based on attention mechanism,HNNA)电力设备缺陷文本挖掘方法。首先在总结电力设备缺陷文本特点的基础上,参考中文文本分类的一般流程,结合自主编写的词典和停用词表对缺陷文本进行预处理;利用Word2vec模型将词语映射到高维空间;使用卷积神经网络(convolution neural network,CNN)和双向长短期记忆网络(bidirectional long short term memory,BiLSTM)提取文本局部特征和上下文特征;将提取的特征进行融合,最后采用Attention实现特征权重的分配,增强关键特征对分类效果的影响,并从多个评价维度与传统机器学习模型、深度学习模型对比。算例结果表明,提出的模型具有更好的分类效果,可以实现电力设备缺陷等级的高效准确划分。

锂离子电池剩余使用寿命(remaining useful life, RUL)是使用者十分关心的问题，其涉及电池的更换时间和安全。针对锂离子电池的电容量非线性变化趋势，提出了一种基于自适应噪声完全集合经验模态分解与双向长短期记忆网络-Transformer的锂离子电池剩余使用寿命预测方法。首先，利用自适应噪声完全集合经验模态分解方法对锂离子电池电容量数据进行分解。其次，使用串联的双向长短期记忆神经网络和Transformer网络对分解后得到的残差序列和本征模态分量序列进行建模预测。最后，将预测的若干本征模态分量序列和残差序列进行求和，并对求和之后的最终预测数据与原始数据进行RUL预测。采用NASA公开的电池数据集对所提方法进行验证，结果表明，所提方法的平均绝对误差、均方根误差、平均绝对百分比误差和绝对误差控制分别控制在0.0173、0.0231、1.2084%和3个循环周期以内，能够有效地提高锂离子电池RUL的预测精度。

随着我国光伏产业建设步伐的加快，光伏出力预测对于优化电网调度和提高新能源消纳的意义日益凸显。基于光伏站点中不同阵列之间的空间相关性和光伏功率输出的时序特性，提出一种基于图卷积神经网络和长短期记忆网络(graph convolution network and long short-term memory, GCN-LSTM)的超短期光伏出力预测方法。该方法首先以图的形式刻画出光伏站点中不同阵列的连接关系。然后利用图卷积神经网络(graph convolution network, GCN)实现图模型的空间特征提取，并得到包含不同阵列之间空间特征的时序信息。最后将时序数据输入长短期记忆网络(long short-term memory, LSTM)进行光伏出力预测。实验结果表明，基于GCN-LSTM的光伏出力预测方法具有较高的精确性与稳定性，在一定程度上弥补了基于时序信息预测方法的固有缺陷，并且展现出在大规模电站上的良好应用前景。

新能源的强烈不确定性给多微网协同运行带来了可靠性和安全性的巨大挑战。为此，提出一种基于长短期记忆(long short-term memory, LSTM)网络和条件生成对抗网络(conditional generative adversarial networks, CGAN)的多微网数据驱动两阶段分布鲁棒协同优化调度模型。首先，为更准确地描述新能源的不确定性，该模型以LSTM-CGAN生成和K-means++聚类算法削减得到的场景集作为分布鲁棒优化集合的初始新能源场景。其中CGAN网络模型使用Wasserstein距离作为判别器损失函数，以新能源日前预测值作为生成对抗网络的条件变量，并采用LSTM构建生成器和判别器。其次，提出一种基于多能点对点交易贡献率的利益分配方法，以实现合作收益的公平分配。然后，为保护各主体隐私并提高求解效率，提出一种耦合可并行计算列与约束生成(column and constraint generation, C&CG)的交替方向乘子法(alternating direction multiplier method, ADMM)进行求解能量交易问题。算例结果表明，所提场景驱动方法生成的场景集能更准确、更有效地描述新能源的不确定性，能兼顾系统的鲁棒性、经济性和隐私性，并实现每个主体公平合理的利益分配。

为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题，提出一种基于集群辨识和卷积神经网络(convolutional neural networks，CNN)−双向长短期记忆网络(bi-directional long short-term memory，BiLSTM)−时序模式注意力机制(temporal pattern attention, TPA)的预测方法。首先，将用电模式和天气作为影响因素，基于二阶聚类算法对区域内的负荷节点进行集群辨识，再从每个集群中挑选代表特征作为深度学习模型的输入，这样既能减少输入特征维度，降低计算复杂度，又能综合考虑预测区域的整体特征，提升预测精度。然后，针对区域电力负荷时序性的特点，用CNN-BiLSTM-TPA模型完成训练和预测，该模型能提取输入数据的双向信息生成隐状态矩阵，并对隐状态矩阵的重要特征加权，从多时间步上捕获双向时序信息用于预测。最后，在美国加利福尼亚州实例上分析验证了所提方法的有效性。

变压器的运行寿命与变压器绝缘性能直接相关。对于特高压换流变压器来说，油温预测可作为其绝缘性能评估的重要依据。为提高换流变油温预测精度，提出一种基于长短期记忆网络(long-short term memory network，LSTM)、自注意力机制(self-attention mechanism，SA)和门控循环单元(gated recurrent unit，GRU)串并行混合模型的换流变顶层油温预测方法。首先，对换流变顶层油温数据进行滚动滑窗预处理；然后，建立LSTM与SA并行的预测模型，并利用GRU对并行预测的结果进行融合，经全连接层调节后输出最终预测结果。对比实验表明，相较于单一预测模型，采用混合预测模型在换流变顶层油温预测中可以取得更高的精度。

随着大量分布式能源的接入，配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题，提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先，利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上，利用时域卷积网络(temporal convolutional network, TCN)-双向长短期记忆网络(bidirectional long short term memory, BILSTM)对不良数据进行修正。然后，建立集成深度神经网络(deep neural network, DNN)状态估计模型，采用最大相关-最小冗余(maximum relevance-minimum redundancy, MRMR)的方法优化训练样本，从而提高状态估计的精度和鲁棒性。最后，建立分布式集成深度神经网络模型，弥补了集中式状态估计速度慢的不足，从而提高状态估计效率。基于IEEE123配电网的算例分析表明，所提方法能更准确地辨识分布式电源波动数据和不良数据，同时提高状态估计的精度和效率，且具有较高的鲁棒性。

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差，针对此问题，提出一种基于深度学习算法的组合预测模型｡首先，采用变分模态分解对原始负荷序列进行分解，得到一系列的子序列。其次，分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后，利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合，得到每个子序列的预测结果。最后，将各个子序列的预测结果进行求和，得到最终的负荷预测结果。以某地真实负荷数据进行预测实验，结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳，预测精度达到98%以上。

克尔效应和色散对相干光纤通信系统的传输距离和数据容量有极大限制。为了补偿光纤传输中的非线性损伤，结合卷积神经网络(convolutional neural network，CNN)、双向长短期记忆网络(bi-directional long short-term memory，BiLSTM)和注意力机制(attention)的特点，提出了一种基于CNN-BiLSTM-Attention模型的光纤非线性损伤补偿算法，并在DP-16QAM 30Gbaud的相干光通信系统中进行了仿真。仿真结果表明，与CNN-BiLSTM模型相比，在1200 km的传输距离下，该算法以降低0.03~0.23 dB的Q因子为代价，使复杂度降低了约31.6%；在相似复杂度下，该算法在最佳传输功率下的Q因子提高了0.43 dB。