电力系统的稳定运行是国家经济发展和人民生活的重要保障。电力系统失稳的重要因素之一是系统在某些参数及工作条件下出现的混沌振荡。在混沌电力系统中,发电机的输出电压、频率、速度会出现非周期、无规则、突发性或阵发性的病态振荡,可能导致电网崩溃。因此,预测电力系统的混沌现象,为提前做好保护措施,保持电力系统稳定运行具有重要意义。另一方面,混沌时间序列广泛存在于金融、气候、能源、交通等复杂非线性系统中,由于混沌系统的初值敏感性、内在随机性、非周期性,使得混沌时间序列难以预测和分析。随着深度学习的发展,基于深度学习的混沌预测是一种有效的方法。本文开展基于深度学习的电力系统混沌时间序列预测算法与模型研究,具体研究工作如下:（1）采用基于深度长短期记忆网络（DLSTM）对互联电力系统混沌时间序列进行预测,该网络有两种形式,静态的深度长期短期记忆（DLSTM-s）和动态的深度长期记忆（DLSTM-d）。为了充分发掘模型性能,采用遗传算法优化网络的超参数。结果表明,即使电力系统的数学模型未知,经过训练的深度递归网络利用单个状态变量的时间序列可以预测电力系统的混沌时间序列,实现电力系统的混沌同步。为了验证模型的有效性,我们使用相同的数据集、实验条件和误差测量方法对DLSTM模型和其他模型进行了比较。实验结果表明,DLSTM-s具有更高的预测精度。（2）提出一种基于遗传算法优化注意力机制的DLSTM模型,用于电力系统的混沌预测。通过传递共享参数,将遗传算法优化的注意力机制加入DLSTM模型中,可以挖掘时间序列中潜在特征,同时可以避免陷入局部最优。该方法是一种受进化计算方法启发的寻优方法,可以很好地调整注意力层中的参数。通过预测互联电力系统混沌时间序列实验,表明DLSTM-GA比其他参考模型具有更好的预测性能。（3）提出一种优化的时谱图神经网络,用于电力系统的多元混沌时间序列预测。首先利用潜在相关层挖掘多元时间序列之间的相关性,然后通过序列转换单元将时间序列转换为频域信号并学习其特征,最后结合多种算法优化模型实现更好的预测效果。实验表明经优化后的时谱图神经网络不仅能对电力系统的多状态变量进行混沌预测,而且比其他参考模型具有更高的预测精度和稳定性。