配电网安全态势感知是当前提升有源配电网稳定运行能力的关键技术。针对当前有源配电网量测能力提升、运行态势复杂化的现状，该文章提出一种针对智能电表量测数据的基于双重注意力机制的长短期记忆网络（LSTM，Long Short-Term Memory）的态势预测及评估方法。首先，构建了融合特征注意力和时间注意力机制的LSTM时间序列预测模型，挖掘大量智能电表量测的运行态势要素之间的相关性以及时间规律，有效提升预测精度；其次，针对融合多注意力机制的LSTM神经网络模型，利用蚁群寻优的启发式算法对超参数空间进行探索，确定适合所提模型的最优超参数，进一步提升模型预测效果；再次，从节点电压、支路电流等角度对于有源配电网态势指标进行构建，提升运行态势对配电网状态的表征能力；最后，利用真实电表量测数据在IEEE33节点经典算例中验证所提方法的可行性、有效性。

引言
1 基于多重注意力机制的态势预测模型
1.1 LSTM神经网络
1.2 多重注意力机制
1.2.1 特征注意力建模
1.2.2 时序注意力建模
1.3 DA-LSTM建模
2 基于蚁群算法的超参数优化
2.1 蚁群寻优算法
2.1.1 蚁群寻优路径构建
2.1.2 信息素的蚁周模型
2.2 ACO优化DA-LSTM模型流程
3 有源配电网态势预测及评估
3.1 有源配电网运行态势指标选取
3.2 基于ACO-DA-LSTM模型的有源配电网态势感知流程
4 算例分析
4.1 改进的IEEE33节点模型
4.2 基于ACO-DA-LSTM的电压预测分析
4.2.1蚁群优化算法结果分析
4.2.2基于ACO-DA-LSTM的节点电压预测
4.2基于ACO-DA-LSTM的有源配电网态势指标计算
4 结 语
本文创新点：

肖春,高晋峰,曹琼,等.基于双重注意力机制的有源配电网安全态势感知方法[J/OL].太原理工大学学报,1-16[2024-12-13].http://kns.cnki.net/kcms/detail/14.1220.n.20241213.1244.006.html.