随着我国电网规模的扩大和相关技术的进步,对于电网智能化发展的需求日益增加。在众多电网数据中,电能质量数据作为监测电网运行状态重要指标项,关系着电网的安全运行和稳定维护,目前随着各省电能质量检测系统的投入运行,使得遍布全国的监测点收集了大批量观测数据,而随着传统方法在海量数据上的分析、提取特征进行预测的能力,被人工智能算法在计算机视觉、自然语言处理等领域上所超越,在此背景下结合能力强劲的深度学习算法和电网实际的电能质量时序数据预测问题,是本文研究工作的核心出发点。针对上文提到的技术背景和关注问题,本文将以深度学习技术为基础,对电能质量时序数据的趋势预测问题进行了一系列研究。主要工作和贡献如下:首先,针对训练数据集中部分电能质量特征缺失程度大、清洗难度高所造成的数据不平衡问题,本文迁移在序列仿真数据生成上性能突出的生成对抗网络来进行解决,通过在电能质量特征数据上进行训练进而生成新的仿真数据补充到原始数据集中,解决了深度神经网络训练时数据少的问题,并和传统的SMOTE算法进行对比实验证明了其性能优越性,在几类电能质量数据生成上的平均百分比误差₈8)8)8)8)8)8)8))约5.29%,平均优于基于过采样策略SMOTE算法₈8)8)8)8)8)8)8))约11.38%;其次,在算法层面上。本文采用了LSTM网络作为建模网络,参照LSTM网络窥视孔连接的相关工作,选择窥视孔优化的LSTM单元构建网络;在网络结构上,本文以处理Sep2Sep问题见长的Encoder-Decoder结构为主,辅以两种经典的LSTM变体网络——堆积式LSTM和双向LSTM进行对比实验,实验结果表明相较于其他两种LSTM网络结构,Encoder-Decoder LSTM网络在两种评价指标上效果均表现优于对照组,其中归一化均方误差₉9)8)8)9)9)8)8))都超过3～6以上的减小,而平均百分比误差₈8)8)8)8)8)8)8))则下降了超过1.2%。综上研究成果,本文设计并实现了一个电能质量时序数据趋势预测原型系统,在训练方面更方便快捷的配置超参数并可实时监控模型的训练情况,在测试结果方面,可视化的体现模型预测的性能。