理论线损是供电企业的一项重要经济指标,它反映了电力系统规划设计、生产运行和经营管理水平,因此各级供电公司都必须进行线损的计算、统计、分析、考核等工作。准确快速计算线损有助于合理的降低能源损耗,节约资源,制定降损方案提高经济效益。本文针对低压台区和含风电电网理论线损计算问题,并结合深度学习提出了基于深度学习的电网理论线损计算研究,具体工作内容如下:首先,对深度学习的发展从感知器、感知机到神经网络,从神经网络再到深度学习进行了概述;并研究了深度学习理论,对具有代表性的受限玻尔兹曼机、长短期记忆网络和门控循环单元这三种神经网络的结构特点、基本单元以及训练方法进行了分析与研究。其次,提出一种基于深度置信网络低压台区理论线损计算方法。利用深度置信网络强大描述复杂系统的能力,通过历史数据训练出线损与台区样本特征值之间的映射模型。该模型在训练过程中首先利用贪婪算法对模型中网络层进行逐层无监督的预训练,然后再对深度置信网络模型进行有监督的全局微调。并且为了提高计算的精度,在训练过程中采用Adam优化器。并以某地区实测2140个台区数据为样本进行仿真计算,验证了深度置信网络线损计算模型相较于浅层神经网络具有更好的泛化能力,以及较好的准确性和快速性,同时也验证了Adam优化器在线损计算中相较于RMSProp和SGD的优越性。最后,针对含风电电网提出一种基于长短期记忆含风电电网网理论线损计算方法。利用长短期记忆模型对时序数据的处理具有很好的效果,搭建了堆叠式长短期记忆网络模型,并通过大量实验确定了隐含层层数、隐含层神经元节点数、激活函数和训练批次。通过仿真验证了堆叠式长短期记忆在含风电线损计算中要优于门控循环单元模型;而且堆叠式长短期记忆模型在输入样本数据存在缺失情况下仍然可以进行计算,并且对数据具有一定的容错性,通过实验验证了该模型的有效性。