为响应国家环境保护与可持续发展战略,并伴随着智能计量和信息通信技术快速发展,配电网中各种分布式电源的渗透率开始不断提升,配电网由被动控制过渡到主动控制成为趋势——主动配电网已成为未来智能配电网最重要的发展模式之一。另外,随着主动配电网中敏感负荷的急剧增加,以及电力电子器件和冲击负荷的广泛应用,电网中电能质量正遭受着越来越强烈的干扰。因而,为了应对电网中电能质量问题,需综合考虑电网中各种影响因素,对其电能质量进行准确地分析预测,以达到提前预判趋势,主动控制以尽量避免更大损失的目的。为了挖掘获取海量高维数据中的有效信息,提高主动配电网中电能质量预测的精度,针对较长时间跨度上电能质量数据的时序性和非线性特点,本文提出了一种基于混合深度学习模型的电能质量指标预测方法。该方法的主要思路是,首先,对包含了多种影响因素的电能质量数据进行处理,利用滑动窗口使其转化为以时间为刻度的若干个方图;其次,利用卷积神经网络的特征提取优势对每个方图样本进行特征提取并将提取的特征信息以时序序列的方式转化为长短期记忆网络的输入;最后,根据卷积神经网络的输出,采用长短期记忆网络完成主动配电网的电能质量数据预测。该方法一方面利用卷积神经网络很好地解决了主动配电网中海量高维数据的有效特征信息提取分析困难的问题,另一方面利用长短期记忆网络对时间序列长短期依赖信息的记忆优势解决了传统预测算法缺失对时间序列关联性分析的问题。案例分析表明,该方法通过卷积神经网络和长短期记忆网络的结合,使得电能质量数据的特征提取分析与预测任务得到了解耦,简化了预测工作,并且最重要的是,相比于选取的对照模型,该方法显著地提升了预测精度,有助于及时发现主动配电网中存在的问题,为其稳定运行提供了有效帮助。