近日，电气与信息学院教师李宁宁在国际权威能源领域期刊《Energy》（IF=9.0，中科院一区TOP期刊）上发表题为“A Hybrid WOA-CNN-BiLSTM Framework with Enhanced Accuracy for Low-Voltage Shunt Capacitor Remaining Life Prediction in Power Systems”的研究论文，该论文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（WOA）、卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）的深度学习预测框架。

该论文的研究亮点是融合了AI与优化算法，用于服务电力设备运维。

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（WOA）、卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）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（MAE）与均方根误差（RMSE）上均显著优于对比模型，具备良好的泛化能力与实用价值。

该论文的实用背景是支撑智能电网下的设备健康管理。

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。

该论文研究成果将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。

近年来，电气与信息学院电气工程系紧紧围绕“绿色能源与节能”“农业能源绿色化转型”两大特色研究方向，聚焦国家“双碳”战略和农业农村现代化能源保障需求，持续推动学科交叉融合和科研创新能力提升，在智能配电、可再生能源并网、电气设备健康监测、新型储能系统、智慧农业能源系统建模与优化等领域不断取得突破，科研成果广泛应用于农业设施节能、电网智能调度、绿色用电监测等实际场景，形成了一批面向农业场景与电力系统深度融合的创新技术路径。