近日，东北农业大学教师李宁宁团队围绕电力系统中低压并联电容器的剩余寿命预测问题，提出了一种融合鲸鱼优化算法、卷积神经网络与双向长短期记忆网络的深度学习预测框架，用于服务电力设备运维，并且可以支撑智能电网下的设备健康管理。相关成果发表在Energy上。

电容器是配电网中广泛部署的电力设备，其健康状态直接影响电能质量与系统运行效率。传统人工检修模式面临“高成本、低效率”的问题，亟需高精度、可部署的状态预测方案。

论文针对电力系统中低压并联电容器的剩余寿命预测问题，创新性提出了一种融合鲸鱼优化算法、卷积神经网络和双向长短期记忆网络的多模型预测框架，该方法充分融合空间结构识别与时序特征建模能力，并引入智能优化模块以实现全局调参能力。

研究以某智能电力运维平台采集的228,000+条真实工业样本为基础，构建预测数据集，实验结果显示，该方法在平均绝对误差与均方根误差上均显著优于对比模型，具备良好的泛化能力与实用价值。

该成果将AI与设备运维深度融合，为构建“智能电容器在线感知+剩余寿命预测+运维策略优化”的闭环应用路径提供技术支撑，有望推广应用于泛在电力物联网、新型配电系统、工业智能诊断等多个领域。（来源：中国科学报 孙丹宁）

相关论文信息：https://doi.org/10.1016/j.energy.2025.136183