(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211135043.1 (22)申请日 2022.09.19 (71)申请人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 申请人 南京邮电大 学 (72)发明人 戴剑丰　丁苍壁　刘琳　 (74)专利代理 机构 南京鑫之航知识产权代理事 务所(特殊普通 合伙) 32410 专利代理师 汪庆朋 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) (54)发明名称 基于误差校正模型的风电场精准等值建模 方法 (57)摘要 本发明公开了基于误差校正模型的风电场 精准等值建模 方法， 首先搭建根据实际风电场系 统搭建相应的风电场详细模型， 并分析风电机组 运行特性， 基于改进式K ‑means算法搭建风电场 聚类等值模型； 其次， 设置风电场并网系统不同 的典型场景， 分别读取详细模型和聚类等值模型 被观测电气量的数据； 然后， 将聚类等值模型的 输出数据作为误差校正模型的输入量， 并计算出 两个物理等值模 型数据的误差值， 将其作为误差 校正模型的目标输出量； 最后， 所获得的输入量 和目标输出量通过深度学习方法训练全连接神 经网络， 以生成相应的误差校正模型， 已达到误 差校正模型的输出值可有效补偿聚类等值模型 与详细模型之间所存在误差的目的。 权利要求书2页 说明书8页 附图5页 CN 115456086 A 2022.12.09 CN 115456086 A 1.基于误差校正模型的风电场精准 等值建模方法， 其特 征在于： 包括如下步骤： 步骤1， 构建风电场详细模型和聚类等 值模型两种物理模型； 步骤2， 通过设置风电场并网系统不同的典型场景， 分别读取风电场详细模型和聚类等 值模型被观测电气量的数据； 步骤3， 用全连接神经网络训练误差校正模型； 步骤4， 基于训练完成的误差校正模型， 结合聚类等值模型生成深度神经网络 ‑聚类的 风电场混合建模框架。 2.根据权利要求1所述的基于误差校正模型的风电场精准等值建模方法， 其特征在于： 所述步骤1的具体操作为： 步骤1.1， 收集不同风电机组各个参数的数值， 搭建以永磁同步风电机组为基础的风电 场详细模型； 步骤1.2， 结合改进式K ‑means算法和同调等 值法建立 风电场聚类等 值模型。 3.根据权利要求1所述的基于误差校正模型的风电场精准等值建模方法， 其特征在于： 所述步骤2的具体操作为： 搭建风电场并网系统模 型， 设置风电场并网系统中包括负荷波动 场景、 短路故障场景 的典型场景， 分别读取风电场详细模型和聚类等值模型在相应典型场 景下输出的有功功 率和并网母线电压值， 并计算得到详细 模型与聚类等值模型之 间的输出 有功功率和并 网母线电压的误差量。 4.根据权利要求1所述的基于误差校正模型的风电场精准等值建模方法， 其特征在于： 所述步骤3中全连接神经网络包括M层网络， 每层含有ni个神经元， 所述全连接神经网络的 输入层用于输入聚类等值模型输出数据， 输出层中则将两种物理等值模型的误差作为目标 输出。 5.根据权利要求4所述的基于误差校正模型的风电场精准等值建模方法， 其特征在于： 所述步骤3的具体步骤为： 步骤3.1、 在全连接神经网络前向训练阶段， 神经网络输入数值经过隐藏层中权重矩 阵、 偏移向量以及激活函数的计算得到网络的实际输出值； 步骤3.2、 以实际输出值与目标输出值之间的误差为基础， 计算得到每层 之间权重矩阵 和偏移向量的梯度； 步骤3.3、 基于梯度的计算结果迭代更新每一层的权 重矩阵和偏移向量； 步骤3.4、 设置神经网络训练的早停条件， 若神经网络输出值与目标输出值之间的误差 连续三次在规定的范围内， 则判断全连接神经网络 完成训练。 6.根据权利要求5所述的基于误差校正模型的风电场精准等值建模方法， 其特征在于： 所述步骤3.1中若含有m组样本数据， 则输入层的特 征向量X表示 为： 设全连接神经网络中有L个隐藏层， 则第i个网络的权 重系数矩阵Wi为：权　利　要　求　书 1/2 页 2 CN 115456086 A 2其中， 1≤i≤ M‑1； 对应的偏移向量Bi为： 激活函数采用ReLU函数， 表达式为： 式中k为函数的斜 率。 7.根据权利要求6所述的基于误差校正模型的风电场精准等值建模方法， 其特征在于： 所述全连接神经网络的损失函数J的表达式为： 式中Bi为第i层的偏移 向量， Wi为第i层的权重系数矩阵， Zi为第i层的实际输出值， y为 目标值。 基于损失函数J的数值， 可通过梯度下降法对权 重系数矩阵W偏移向量B进行 更新迭代： 其中， α 为设置的相应的神经网络学习率， Wi'为更新后的权重系数矩阵， Bi'为更新后的 偏移向量。权　利　要　求　书 2/2 页 3 CN 115456086 A 3