[发明专利]一种光伏电站集群的高精度动态建模方法

权利要求书

1.一种光伏电站集群的高精度动态建模方法，其特征在于，包括步骤：

(1)搭建光伏电站集群的详细模型和聚类等值模型，对详细模型和聚类等值模型均进行多种工况的算例，记录各个算例的相关变量数据；具体包括如下步骤：

(1.1)搭建光伏电站集群的详细模型，用聚类算法计算不同光伏电站之间参数的相似度，并将相似度最高的光伏电站用单个光伏电站等值，以尽量少的等值电站对光伏电站集群构建聚类等值模型；

(1.2)对光伏电站集群的详细模型和聚类等值模型进行多种工况的算例，记录详细模型和聚类等值模型的有功功率和无功功率，及聚类等值模型与详细模型之间的有功和无功功率误差；

(2)对记录的算例的相关变量数据进行预处理，并将其分为训练集和测试集；具体包括如下步骤：

(2.1)将所有实验数据放一起，并将其排列顺序随机打乱，将所有的实验数据标准化映射到了-1至1的实数区间内；

(2.2)将经过预处理的实验数据分为测试集和训练集；

(3)用长短时记忆网络构建光伏误差修正系统；所述光伏误差修正系统为一个深度长短时记忆网络，所述网络包括l层用于提取输入数据特征的隐层和一层用于将提取的特征映射为预测值的全连接层；

(4)针对光伏误差修正系统提出其相应的优化训练方法，并用训练集进行优化训练；具体包括如下步骤：

(4.1)将训练集等分为含有多组数据的多个batch，在一次训练中处理一个batch；

(4.2)进行前向计算，将训练集中的一个batch输入深度长短时记忆网络计算网络对应的输出数据，并记录各隐层的过程量；

(4.3)反向计算误差项，并根据误差项计算每个权重和偏置项的梯度；

(4.4)根据相应的梯度，将各权重矩阵及偏置项进行修正；

(4.5)对于一个batch，迭代以上三步多次达到满意的精度，再从训练集中取另一个batch，重复上述步骤直至训练集被训练完毕；

(5)基于优化完毕的光伏误差修正系统，与聚类等值模型共同构成目标光伏集群的混合建模框架；具体过程为，在一次动态过程中，将光伏误差修正系统和聚类等值模型的输出值进行叠加即为光伏电站集群的混合建模框架的模型输出。

2.根据权利要求1所述的光伏电站集群的高精度动态建模方法，其特征在于，所述深度长短时记忆网络中各隐层神经元的计算为，每一隐层的输出值为下一隐层的输入值，最后一层隐层的输出值为全连接层的输入，全连接层将隐层的输出映射为光伏功率误差的拟合值。