近日，东北农业大学教师李宁宁团队提出了一个深度学习预测框架，结合鲸鱼优化算法、卷积神经网络和双向长短期记忆网络，服务电力设备运维，支持智能能源下设备健康管理，重点关注电力系统中低压并联电容器的剩余寿命预测。相关结果发表在Energy上。

电容器是配电网络中广泛部署的电气设备，其健康状况直接关系到电能质量和系统运行效率。传统的人工维护方法面临着“高成本、低效率”的问题，迫切需要高精度、可部署的状态预测方案。

针对电力系统中低压并联电容器的剩余寿命预测问题，本文创新性地提出了一个多模型预测框架，结合鲸鱼优化算法、卷积神经网络和双向长短记忆网络。该方法充分融合了空间布局识别和时间特征建模能力，引入智能优化模块，实现全局参与调整能力。

通过某智能电力运维平台收集的228,0000 基于真实的工业样本，建立了预测数据集。实验数据显示，该方法在平均绝对误差和平均根误差上明显优于对比模型，具有良好的泛化能力和实用价值。

结果将AI与设备运维紧密结合，构建“智能电容在线感知”预测剩余寿命运营策略优化的闭环应用路径提供技术支持，有望在泛在电力物联网、新配电系统、工业智能诊断等诸多领域推广应用。