智能电网是将传统的物理电网技术与现代数字化技术相结合的新型电力系统，而电力采集系统作为进行数据采集和维护的子系统，是智能电网有效运行的重要保障。在现实环境下，采集数据往往存在错误或缺失等情况，这会影响到后期对数据的分析和使用。为了减少此类情况的负面影响，一般考虑从数据存储端和收集端进行处理，即在数据存储端进行数据补全，以及从数据收集端进行故障设备维修。本论文针对这两类方案会涉及的两个子任务，电力时序数据的缺失补全任务和采集故障维修的派工规划任务，提出了基于深度学习的解决方案。
　　针对电力时序数据的缺失补全任务，本论文考虑到已有方法中数据独立假设的局限性，提出了一种基于社会感知的时序数据补全算法。该方法通过将时序补全形式化为序列生成任务，对缺失的观察结果和社交环境之间关联性进行了建模。在两个真实世界数据集下的实验表明了本研究提出的方法稳定地超越了11种基准算法。
　　针对电力采集故障维修的派工规划任务，本论文提出了一种基于集束搜索的启发式规划方法。在此基础上，本论文结合深度神经网络模型对该算法进行了改良，提出了基于深度学习的启发式规划方法。通过实验表明，在集束搜索剪枝时，通过引入深度神经网络估计完整规划的总效用，算法的效果获得了稳定的提高。