CN109145503A - 一种光伏电站集群的高精度动态建模方法 - Google Patents

Abstract

本发明公开了一种光伏电站集群的高精度动态建模方法，在分析已有聚类等值建模方法局限性的基础上，提出误差修正方法，并引入了长短时记忆(LSTM)网络构成误差修正系统，以对已有聚类等值模型的误差进行建模。本发明综合误差修正系统与基于聚类的等值方法，最终提出了深度学习‑聚类(DL‑Clustering)混合建模框架。本发明所提出的混合建模框架在保留聚类等值模型的阶数低和仿真耗时少等优点的同时，大幅提高了等值模型的精度。本发明框架可以拓展应用至其他高渗透率的可再生能源配网的建模等问题中。

Description

一种光伏电站集群的高精度动态建模方法

技术领域

本发明属于可再生能源并网建模与仿真的技术领域，尤其涉及一种光伏电站集群的高精度动态建模方法。

背景技术

近些年，伴随着人类社会对能源的依赖性增长以及传统化石能源的日益枯竭，像光伏这种具有低碳环保、资源丰富等优点的可再生能源已经成为多国能源发展的重要手段，预计在2050年全球总电量消耗中光伏发电的占比将达到16％。归功于光伏技术的逐渐成熟以及政府政策的鼓励，具有双级式结构的中小型光伏电站在如工业区的屋顶以及农村地区的荒地等应用环境中大量且集中地出现，从而在局部配网中形成了光伏电站集群。

一个光伏电站集群可能含有几十个甚至上百个中小型光伏电站，由于光伏电站为高度非线性系统并且其发电具有随机性，因此光伏集群的高渗透率属性无疑会增加如电能质量、稳定性等电力系统问题发生的概率。所以，有必要建立一个可以刻画整个光伏集群在公共耦合点(PCC)处动态响应的高精度模型。最直接的方法是对光伏集群中的每个光伏电站进行详细建模，但这会导致模型复杂度过高(数学模型中微分方程的总阶数过高)，以至于在仿真计算中耗费的时间和精力难以承受。另一种方法是用一个容量与光伏集群相等的光伏电站代替整个集群进行建模。这种单电站等值建模方法可以大幅降低模型的复杂度，但由于制造商和设计方案不同，集群中不同光伏电站的系统参数可能千差万别，此时用单个等值电站来综合地反映整个光伏集群的动态特性难免会产生很大误差。因此，研究能够同时兼顾精度高和仿真耗时少的光伏集群动态等值建模方法为相关研究的关键挑战。

目前，已有的研究大多围绕光伏系统的元器件及单个光伏电站的建模展开，但相比于可再生能源领域中较为成熟的高渗透率风场建模，光伏集群的建模研究仍处于起步阶段。为此，之前已有技术将风场中的多机等值概念引入光伏集群建模，并提出了一种基于动态近邻传播(DAP)聚类算法的多电站等值建模方法，该法可以决定等值光伏电站的数量和参数。相比于详细模型，该法以尽量少的几台等值电站对光伏集群进行建模，从而大幅降低了模型的总阶数。此外，相比于单电站等值模型，该法考虑了不同光伏电站之间参数的差异，将动态特性最为相似的光伏电站聚为一类并用单个光伏电站等值，从而获得了相对单电站模型较为准确的等值模型。

然而，在实际中，这种光伏集群的聚类等值模型对动态特性的拟合性能会随着集群中不同光伏电站的动态参数趋于均匀分布而下降。这很容易导致聚类等值模型的精度在更一般的情况下无法满足实际应用的需求，并且该关键缺陷由聚类算法的固有属性所致，其难以通过对算法本身进行改进来实现，从而大程度上限制了聚类等值建模方法的应用。

所以，需要引入聚类之外的技术，并用之来构建误差修正系统以拟合聚类等值模型与详细模型之间的误差，以大幅提高光伏集群聚类等值模型的精度。目前正面临我国能源生产消费方式和能源结构调整变革的关键时期，对于新能源发电及其并网技术而言，将会迎来更加广阔的发展前景和发展机遇。光伏电站集群的高精度动态建模将会为高光伏渗透率配网相关问题的分析和处理铺平道路，有助于加快我国智能、绿色、坚强的能源互联网的建设。

发明内容

发明目的：针对以上问题，本发明提出一种光伏电站集群的高精度动态建模方法，针对聚类等值建模方法的局限性，提出基于长短时记忆(LSTM)网络的误差修正系统，消除基于聚类等值模型无法消除的误差，并给出相应的模型优化训练方法，综合聚类等值建模方法，提出深度学习-聚类(DL-Clustering)混合建模框架，以满足光伏集群的高精度动态建模要求。该框架可以拓展应用至其他高渗透率的可再生能源配网的建模等问题中。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种光伏电站集群的高精度动态建模方法，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；

(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；

(3)用长短时记忆网络构建光伏误差修正系统；

(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；

(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。

所述步骤1包括：

(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。

所述步骤2包括：

(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。

所述步骤3中，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。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。

所述步骤4包括：

(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。

所述步骤5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。

有益效果：本发明基于深度学习技术提出一种用于光伏电站集群动态建模的高精度建模框架，可以大幅提高当前聚类等值模型的准确度，适用于高光伏渗透率配网的精准动态特性分析和相关控制策略的验证。

本发明基于深度学习技术提出一种面向光伏集群高精度建模的DL-Clustering混合建模框架，用于消除聚类等值模型与实际模型之间的误差；并引入LSTM网络构建混合建模框架中的光伏误差修正系统，并给出相应的优化训练方法，将混合建模方法应用于高渗透率的光伏集群配网中可以发现，在保留聚类等值建模中低模型复杂度、快速仿真的优点的同时，可大幅提高其对详细模型在PCC处动态特性拟合精度。此外，混合建模框架的特性决定了其可以很方便地在对详细模型等值建模之后，拓展至对实际的光伏集群系统进行建模。

附图说明

图1是深度学习-聚类混合建模框架图；

图2是(a)深度LSTM网络结构图，(b)深度LSTM网络延时间展开图；

图3是LSTM神经元的结构图；

图4是某市高光伏渗透率的辐射型配网；

图5是辐照度变动算例下各模型的功率动态响应：(a)有功功率图，(b)无功功率图；

图6是负荷变动算例下各模型的功率动态响应：(a)有功功率图，(b)无功功率图；

图7是短路算例下各模型的功率动态响应：(a)有功功率图，(b)无功功率图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

如图1所示，本发明的光伏电站集群的高精度动态建模方法，首先通过模拟多种动态工况对光伏集群的详细模型和聚类等值模型进行仿真，可以获得大量聚类等值模型输出的功率数据和功率误差数据；随后将聚类等值模型输出的功率数据作为光伏误差修正系统的输入量，将通过做差获得的功率误差数据作为光伏误差修正系统的训练输出目标的标签数据；最终基于输入量和标签数据并通过相应的深度学习优化算法对深度学习(DL)网络进行训练，以使光伏误差修正系统的输出值尽可能地接近相应的功率误差值。

本发明的光伏电站集群的高精度动态建模方法，具体包括以下步骤：

步骤1，分别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的数据；

步骤2，对记录的变量的数据进行预处理，并将其分为训练集和测试集；

步骤3，用长短时记忆(LSTM)网络构建光伏误差修正系统(ECS)，以消除聚类等值模型与详细模型之间的误差；

步骤4，针对光伏ECS提出其相应的优化训练方法，并用训练集进行优化训练；

步骤5，基于优化完毕的光伏ECS，即可与聚类等值模型共同构成目标光伏集群的混合建模框架。

步骤1为数据准备阶段，数据产生的过程为：

步骤1.1，目标光伏集群系统的详细模型与聚类等值模型搭建于MATLAB/Simulink仿真平台，对光伏集群中的每个光伏电站进行建模，构成详细模型，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，最终以尽量少的几台等值电站对光伏集群进行建模构成聚类等值模型。

步骤1.2，为了对误差修正系统进行优化训练和验证，首先需要收集典型工况的动态数据，为此，分别对光伏集群的详细模型和聚类等值模型进行三种工况的算例。

(1)辐照度变动算例：设置辐照度从(0.30+0.1k₁)kW/m²变化至(0.30+0.1k₂)kW/m²，其中，k₁和k₂＝{0,1,...,17}，且k₁≠k₂，这些实验均在负荷总量为{10％,...,100％}的系统工况下重复进行，该算例共3060组实验。

(2)负荷变动算例：设置负荷总量从10k₃％变化至10k₄％，其中，k₃和k₄＝{1,...,10}，且k₃≠k₄，这些实验均在辐照度为(0.30+0.05k₅)kW/m²的工况下重复进行，其中，k₅＝{1,...,34}，该算例共3060组实验。

(3)短路故障算例：设置在公共耦合点(PCC)处发生三相短路故障，故障经过(60+k₆)ms后切除，其中，k₆＝{7,14,...,210}。这些实验均在辐照度为(0.20k₇)kW/m²或负荷总量为10k₈％的工况下重复进行，其中，k₇和k₈＝{1,2,...,10}；计及短路算例的3000组实验。

上述共产生9120组实验数据，由于所仿真的光伏集群的动态过程基本结束于0.5s以内，因此上述实验均记录工况变动后0.5s的数据，采样频率为1000Hz，需记录的变量包括聚类等值模型在PCC处的有功和无功功率p_c(t)和q_c(t)，及聚类等值模型与详细模型之间的有功和无功功率误差E_p(t)和E_q(t)。

步骤2为数据处理阶段，具体过程为：

步骤2.1，由于人为设计实验而生成的数据集的顺序容易使LSTM网络在训练过程中陷入局部最优值，这容易影响训练的效果，同时，由于训练时，数据输入的顺序对于训练而言是无关紧要的，因此在训练光伏误差修正系统之前，首先将所有的实验数据放在一起，并将其排列顺序随机打乱，此外，由于实验数据的量纲和数值差别较大，考虑到LSTM网络中非线性激活函数对数据的缩放比较敏感，为避免神经元饱和导致训练算法的收敛速度降低，用式(1)将各时刻的实验数据进行标准化。

其中，max用于取出目标变量的所有实验数据中的最大瞬时值，式(1)将所有的实验数据均映射到了-1至1的实数区间内。

步骤2.2，从上述经过预处理的实验数据集中随机抽取3000组数据作为测试集，剩余的6120组数据作为训练集，其中测试集的占比约为32.89％，根据实验数据记录的变量，确定LSTM网络在某一时刻的输入和输出维度均为2，根据实验数据的采样频率，确定网络的时间维度为500，训练算法的参数为：学习率0.001，迭代20万次，单个batch包含30组训练数据。

步骤3为构建光伏误差修正系统，具体过程为：

步骤3.1，光伏误差修正系统由一个深度LSTM网络构成，其结构如图2(a)所示，网络由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(FC)层构成。

其中，每一层隐层为一个LSTM神经元，在时刻t时，聚类模型输出有功和无功功率组成输入值x_t＝[p_c(t),q_c(t)]，将其输入LSTM网络后应获得输出值y′_t，其由聚类模型与详细模型之间的有功和无功功率误差的拟合值组成，即′_t＝[E′_p(t),E′_q(t)]，则在一次动态过程中网络的输入数据为时刻1到τ的输入时序数据X＝[x₁,...,x_t,...,x_τ]，输出数据为相应的拟合值Y′＝[y′₁,...,y′_t,...,y′_τ]，对于各隐层而言，在时刻t时，其输入变量除x_t外，还包括上一时刻的该隐层的输出值和细胞状态其输出变量包括当前时刻的该隐层输出值和细胞状态其中i＝1…l，并且将记为i+1层的x_t，显然，网络当前时刻的输入值包含上一时刻的输出值，该时序计算过程可以用同一个网络在时间上的展开来表示，如图2(b)所示。为表述方便，下面的各变量中省略了表示层数的上标，并仅针对一层隐层进行讨论，其他各隐层的讨论与之类似。

步骤3.2，深度LSTM网络中各隐层神经元的计算是整个网络运转的核心，单个LSTM神经元的结构如图3所示，为解决传统RNN的梯度消失问题，LSTM神经元通过设计多个特殊的门结构以对某些目标输入信息进行选择性记忆，这些门包括遗忘门、输入门和输出门。

门的运作方式是将是一个输入向量映射为一个元素为0到1的门向量，再将门向量与待选择记忆的目标向量进行点乘，以决定对目标向量中每个元素的信息进行选择储存的程度，例如，目标向量中的元素与门向量的元素1相乘，即表示完全记忆该元素，与0相乘表示完全遗忘该元素，与0到1之间的数相乘表示对该元素进行部分遗忘。

根据图3，在t时刻，LSTM神经元输入的向量对(x_t,h_t-1)分别通过4个通道，即遗忘门、输入门、本地细胞状态模块和输出门，其中，通过遗忘门后产生遗忘门输出信号f_t，该信号对上一时刻神经元的细胞状态c_t-1进行了选择性记忆，f_t计算如下：

f_t＝σ(x_tω_fx+h_t-1ω_fh+b_f) (2)

其中，ω_fx、ω_fh和b_f分别为遗忘门的输入权重矩阵、状态权重矩阵和偏置项向量，σ为sigmoid函数，该函数将实数向量映射为一个元素在0和1之间的向量。

向量对通过输入门产生信号i_t，通过i_t对由本地细胞状态模块产生的本地细胞状态c_t′进行选择记忆，随后再与由f_t选择记忆的c_t-1共同考虑，得到神经元在t时刻的细胞状态c_t，计算过程如下：

i_t＝σ(x_tω_ix+h_t-1ω_ih+b_i) (3)

c′_t＝tanh(x_tω_c′x+h_t-1ω_c′h+b_c) (4)

其中，ω_ix,ω_ih,ω_c′x和ω_c′h分别为输入门和本地细胞状态模块的输入权重矩阵和状态权重矩阵，b_i和b_c分别为对应的偏置项向量，符号表示矩阵的点乘计算。

类似的，向量对通过输出门产生输出门输出向量o_t后与当前细胞状态c_t共同决定了当前时刻神经元的输出状态h_t，计算过程如下：

o_t＝σ(x_tω_ox+h_t-1ω_oh+b_o) (6)

h_t＝o_ttanh(c_t) (7)

其中，ω_ox、ω_oh和b_o分别为输出门输入权重矩阵、状态权重矩阵和偏置项向量。

每一隐层的输出值h_t为下一隐层的输入值，而最后一层隐层的输出值为FC层的输入，最终FC层将隐层的输出映射为光伏功率误差的拟合值y′_t。

y′_t＝h_tω_out (8)

其中，ω_out为FC层权重矩阵，为了网络的简化，忽略了偏置项。

步骤4为用训练集对光伏ECS进行优化训练，具体过程为：

光伏电站集群的高精度动态建模方法中，对光伏ECS进行优化训练之前，网络中的权值和偏置项中的元素均初始化为0到1之间的随机数，实际中由于光伏误差系统产生数据量和数据维度过大，在一次训练中若只处理一组数据会导致训练时间过长，为加快训练过程，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。网络的优化训练基于Back Propagation Through Time(BPTT)算法，训练过程分为三个步骤。

步骤4.1，前向计算。

在一次前向计算中，步骤3将训练集中的一个batch输入深度LSTM网络计算网络对应的输出数据，并记录各隐层的过程量，包括f_t,i_t,c′_t,c_t,o_t和h_t。

步骤4.2，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。

在计算开始时将误差项和梯度均初始化为0，首先分别计算遗忘门、输入门、本地细胞状态模块及输出门在最后时刻τ的误差项和

其中，上标T表示矩阵的转置，δ_τ为FC层误差项，通过δ_τ＝(y_τ-y′_τ)·ω_out ^T计算，计算完式(9)～(12)后即可计算上一时刻(τ-1)的FC层误差项

重复式(9)～(13)即可反向计算出全部时刻的误差项，随后基于式(14)计算出各权重和偏置项的梯度。

其中，权值矩阵ω_x表示ω_ix,ω_ox,ω_fx和ω_cx，ω_h表示包括ω_ih,ω_oh,ω_fh和ω_ch，偏置向量b包括b_i,b_o,b_f和b_c，误差项表示δ_it,δ_ot,δ_ft和δ_c′t。

FC层的权值矩阵梯度为式(15)：

步骤4.3，根据相应的梯度，将各权重矩阵及偏置项按式(16)的形式进行修正。

其中，ω和b包含所有的权重矩阵和偏置项，α为参数修正的学习率，应选取适中的α以保证算法的收敛速度和精度。

对于一个batch，迭代以上三步多次以达到满意的精度。随后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。

在获得优化训练完毕的光伏ECS之后，将其与聚类等值模型共同构成目标光伏集群的混合建模框架，即可完成步骤5，具体过程为，在一次动态过程中，将ECS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。

下面列举一实施例以辅助说明本发明公开的光伏电站集群的高精度动态建模方法的技术优势。

仿真的网络结构基于某市变电站供电区域的辐射型配网搭建，如图4所示，其包含的20个双级式光伏电站的装机容量情况为：PV1～PV11均为60kW，PV12～PV13均为180kW，PV14～PV17均为240kW，PV18～PV20均为300kW，总光伏装机容量为2880kW。该网络的总负荷为3715+j2300kVA，光伏渗透率超过60％。

基于上述优化完毕的光伏ECS，即可与聚类等值模型共同构成了目标光伏集群的混合建模框架。为验证该混合建模框架的有效性和准确性，基于测试集中不同典型工况的3组实验，并将混合建模框架的结果与DAP聚类等值模型和详细模型的结果进行对比。

在辐照度变动实验中，太阳辐照度在0.3s时由1500W/m²下降至1000W/m²，负荷总量为100％不变。将光伏ECS和聚类等值模型的输出值叠加，可获得PCC处输出有功功率和无功功率曲线，分别如图5所示。其中，蓝色、绿色和红色曲线分别表示详细模型、聚类等值模型和所提出的等值模型的仿真结果。可以发现，当辐照度变动时，所提出的混合建模方法可以保持对详细模型动态响应的追踪，而聚类模型虽可以反映目标系统的动态行为但其追踪性能不如所提出的模型。

在负荷变动实验中，总负荷在0.3s时由3715+j2300kVA下降至2675+j1300kVA，且辐照度为1000W/m²不变，各模型对比，如图6所示。在三相短路故障实验中，PCC处在0.3s时发生三相短路故障，在0.43s时解除故障，且负荷总量为100％不变，辐照度为1000W/m²不变，各模型对比，如图7所示。在上述两个实验中，与聚类等值模型相比，混合建模方法仍然可以更好地追踪详细模型的动态特性。

在不同的实验中所提出的混合模型和聚类模型的有功功率和无功功率的积分误差如表1所示。根据该表，与聚类模型相比，所提出的混合建模方法在各种运行状态下对详细模型追踪的准确度均有大幅提高，有功功率和无功功率的精度分别平均提高了7.46％和12.5％。

表1所提模型和聚类模型在不同工况下的仿真误差

详细模型、所提出的模型以及聚类等值模型的仿真时间如表2所示。根据表2可知，所提出的模型虽然比聚类等值模型的仿真时间略长，但与详细模型相比，其仍在不同的运行状态下大幅地降低仿真时间，平均降低92.93％。

表2不同工况下不同模型的仿真时间对比

Claims (7)

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；

(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；

(3)用长短时记忆网络构建光伏误差修正系统；

(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；

(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。

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，所述步骤1包括：

(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。

3.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，所述步骤2包括：

(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。

4.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，所述步骤3中，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。

5.根据权利要求4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。

6.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，所述步骤4包括：

(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。

7.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，所述步骤5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。