本研究由Meng Wang、Ruowei Li、Yanyan Shi、Xinsong Zhang、Yuwei Liu和Qi Fang共同完成，分别来自河南师范大学电子与电气工程学院（Henan Normal University）和南通大学电气工程与自动化系（Nantong University）。论文题为《Intelligent prediction of grid connection point voltage overrun for distributed photovoltaic generation systems》，发表于期刊《Electric Power Systems Research》。研究聚焦于分布式光伏（PV）系统并网时引发的电压越限问题，提出了一种结合Transformer与双向长短期记忆网络（BiLSTM）的混合深度学习模型，旨在提升电网连接点电压越限的预测精度，保障电力系统稳定运行。

学术背景

随着可再生能源替代化石燃料的需求增长，光伏发电因其零污染、零排放特性成为重要选择。然而，分布式光伏大规模并网会导致配电网出现反向功率流，引发并网点电压越限，威胁设备安全。传统电压预测方法（如统计方法）因光伏数据的随机性和非周期性而精度不足，而单一深度学习模型（如LSTM）易忽略全局特征或存在过拟合问题。为此，本研究提出一种新型混合模型，旨在同时捕捉电压序列的长期依赖（Transformer）和短期双向特征（BiLSTM），以提升预测准确性。

研究流程

1. 数据采集与处理

   • 仿真设计：基于MATLAB搭建10 kV配电网模型，模拟分布式光伏并网场景，参数包括直流电压（1150 V）、开关频率（15 kHz）、线路阻抗（AB段25 km，BC段20 km）等（表1）。
     
   • 数据集构建：通过调整辐照度、温度和负载功率，生成1000组数据，包含温度、辐照度、负载功率、PV输出功率和电压五类数据，按8:2划分训练集与测试集（表2）。电压数据为输出，其余为输入。
     
   • 负载计算：采用负载密度法（公式10），将区域划分为m个子区，结合负载密度指标（如商业/住宅区权重）计算总负载功率。
     

2. 混合模型构建

   • Transformer模块：
     
     • 位置编码（公式1）：通过正弦/余弦函数编码电压序列的位置信息，保留时序特征。
       
     • 多头自注意力机制（公式2）：设置4个头（图3），提取全局依赖关系，避免梯度消失。
       
   • BiLSTM模块（图5）：双向捕捉序列的前后依赖，隐藏状态通过全连接层输出预测值（公式4）。
     
   • 集成框架（图6）：
     
     • 输入数据经Transformer的嵌入层和自注意力层处理后，由BiLSTM提取双向时序特征。
       
     • 后续通过ReLU激活函数和Dropout层防止过拟合，最终由回归层输出预测电压。
       

3. 性能评估

   • 评价指标：均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R²）（表3）。
     
   • 对比模型：包括单一模型（CNN、LSTM、BiLSTM、Transformer）和混合模型（CNN-LSTM、CNN-BiLSTM、Transformer-LSTM），超参数详见表4-5。
     

主要结果

1. 预测精度：
   
   • Transformer-BiLSTM的RMSE（0.2237）、MSE（0.0500）、MAE（0.1663）和MAPE（0.069）均为最优，R²达0.9985（表6，图11）。
     
   • 相较于单一BiLSTM，RMSE降低39.3%；较Transformer-LSTM，MAE下降40%。
     
2. 模型对比：
   
   • 混合模型普遍优于单一模型，如CNN-BiLSTM的RMSE比CNN低34.79%。
     
   • Transformer-BiLSTM在长短期特征融合上表现最佳，避免了单一模型的局限性（图9-10）。
     

结论与价值

1. 科学价值：
   
   • 首次将Transformer与BiLSTM结合用于电压越限预测，解决了传统方法对非周期数据建模不足的问题。
     
   • 提出的混合模型无需复杂预处理，适用于实时应用。
     
2. 应用价值：
   
   • 为高比例分布式光伏并网提供电压稳定性管理工具，支持电网安全调度。
     
   • 仿真代码和数据集可复现，为后续研究提供基准。
     

研究亮点

1. 方法创新：
   
   • 结合Transformer的全局注意力与BiLSTM的双向时序建模，首次在电压预测中实现长短期特征协同提取。
     
   • 引入位置编码和负载密度法，增强模型对实际电网动态的适应性。
     
2. 工程意义：
   
   • 通过MATLAB仿真验证了模型在真实场景中的有效性，参数设计（如滤波器电感4 μH）贴合实际电网需求。
     

其他价值

• 研究获中国国家自然科学基金（52177004）和河南省自然科学基金（212300410055）支持，数据与代码开源，推动领域协作。
  
• 参考文献涵盖光伏并网、深度学习最新进展（如文献[23]中的VMD-TCN方法），为读者提供全面技术脉络。
  

（注：以上内容严格基于原文，未添加非文献信息，专业术语如“自注意力机制（self-attention）”等均保留英文对照。）