这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

分布式光伏系统并网点电压越限的智能预测研究

1. 作者与发表信息

本研究由Meng Wang（河南师范大学电子与电气工程学院）、Ruowei Li（通讯作者，同单位）、Yanyan Shi、Xinsong Zhang（南通大学电气工程与自动化系）、Yuwei Liu及Qi Fang合作完成，发表于期刊Electric Power Systems Research，稿件编号为EPSR-D-25-03549R1。

2. 学术背景

研究领域：电力系统与可再生能源集成，聚焦分布式光伏（PV）系统并网时的电压稳定性问题。
研究动机：随着分布式光伏大规模接入配电网，其输出功率的波动性会导致并网点电压越限（voltage overrun），威胁电网安全运行。传统统计方法（如线性插值、蒙特卡洛法）预测精度低，而单一深度学习模型（如LSTM）易忽略全局特征或短期依赖关系。
研究目标：提出一种结合Transformer和双向长短期记忆网络（BiLSTM）的混合模型，以同时捕获电压序列的长期和短期依赖关系，实现高精度电压越限预测。

3. 研究流程与方法

3.1 数据生成与处理
- 仿真模型：基于MATLAB搭建10 kV配电网接入0.15 MW分布式光伏的仿真系统（图7），考虑温度、辐照度、负载功率等变量。
- 数据集构建：通过修改环境参数生成1000组数据，包含电压、PV输出功率、负载功率等，按8:2划分为训练集和测试集。数据归一化后，采用滑动窗口法分割为时间序列。
- 关键参数：辐照度范围200–1000 W/m²（涵盖弱光场景），电压范围224.5–257.7 V（表2）。

3.2 混合模型设计（Transformer-BiLSTM）
- 模型架构（图6）：
1. Transformer层：通过位置编码（positional encoding）保留序列顺序信息，利用4头自注意力机制（multi-head self-attention）提取全局特征。
2. BiLSTM层：双向捕获电压序列的短期时序依赖，输出隐状态。
3. 辅助层：ReLU激活函数引入非线性，Dropout层（比例0.2）防止过拟合。
- 创新点：
- 首次将Transformer与BiLSTM结合用于电压预测，通过因果掩码（causal mask）增强模型解释性。
- 输入仅需标准化处理，无需复杂预处理（如模态分解），降低计算成本。

3.3 性能评估
- 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）。
- 评估指标：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）。

4. 主要结果

4.1 模型性能对比
- 定量结果（表7）：Transformer-BiLSTM的MSE（0.0500）、MAE（0.1663）和R²（0.9985）均最优，较单一BiLSTM模型分别降低61.6%、32.5%和0.18%。
- 定性分析（图9–10）：混合模型预测曲线与真实电压的偏差最小，尤其在PV输出功率突变时仍保持稳定。

4.2 关键变量影响
- 弱光条件（辐照度200–400 W/m²）：模型MSE为0.0334，表明其对低光照场景的适应性。
- PV输出功率分段：不同功率区间的R²均高于0.98，验证了模型的鲁棒性。

4.3 实时性验证
- 模型在1.19 GHz CPU上单样本推理延迟0.26 ms，总预测时间52 ms，内存占用1.5–2.2 GB，满足电网实时需求。

5. 结论与价值

科学价值：
- 提出首个针对光伏并网点电压越限的混合深度学习模型，解决了传统方法对非周期性数据建模能力不足的问题。
- 通过Transformer与BiLSTM的协同作用，实现了长期趋势与短期波动的联合捕获，为高比例可再生能源电网的稳定性分析提供了新工具。

应用价值：
- 可直接嵌入电网监控系统，实现电压越限的早期预警，降低设备损坏风险。
- 模型轻量化设计使其适用于边缘计算设备，推动分布式能源的智能管理。

6. 研究亮点

1. 方法创新：首次将自然语言处理领域的Transformer引入电压预测，结合BiLSTM的双向时序分析能力，突破了单一模型的局限性。
   
2. 工程适用性：模型在低配置硬件上仍保持高效运行，且输入变量（温度、辐照度等）易于实时获取，便于工业部署。
   
3. 数据包容性：模型在缺失数据或异常值场景下表现稳定（未来将进一步研究容错机制）。
   

7. 其他补充

• 局限性：当前研究针对单一光伏并网点，未来需扩展至复杂配电网多节点场景。
  
• 开源计划：作者提及将公开仿真代码，助力学术同行验证与改进。
  

该研究为可再生能源并网的安全控制提供了重要技术支撑，其方法论亦可推广至风电、储能等其他波动性电源的电压预测领域。