Las redes de energía distribuida cuentan con un gran número de fuentes de energía fotovoltaica. La bidireccionalidad del flujo de energía, diferentes estrategias de control transitorio y ubicaciones de instalación hacen que las características transitorias sean altamente complejas e impredecibles. La vasta red del sistema de distribución hace que sea casi imposible predecir las cantidades eléctricas de cada rama. La modelización de agregación razonable de la red de distribución puede simplificar en gran medida la topología de la red, facilitando el control transitorio y la configuración de los ajustes de protección de relés. Se propone un método de modelización equivalente agregado basado en la red neuronal LSTM para las características externas de falla de PV distribuido. Este método iguala la compleja red de distribución a una fuente de corriente altamente no lineal pero controlable. El método puede generar las curvas de - puntos paralelos del sistema PV equivalente bajo cualquier potencia de salida y es capaz de predecir las características de falla del sistema equivalente después de una caída de voltaje en el punto paralelo. En comparación con la modelización mecanicista tradicional, este método no requiere una modelización específica de sistemas físicos complejos y es capaz de mapear con precisión las fuertes entradas y salidas no lineales de las redes de distribución. El modelo LSTM establecido primero utiliza una capa convolucional unidimensional para la extracción de características de los coeficientes de potencia de PV (entrada), y luego se utilizan dos capas ocultas para procesar los datos de secuencia; los vectores se mapean en una secuencia de curvas características externas (salida) en una capa completamente conectada. Se construye una red de distribución típica basada en el modelo de potencia PV tradicional, y se seleccionan una gran cantidad de combinaciones de salidas diferentes para la simulación con el fin de proporcionar un conjunto de datos eficaz de entrenamiento y validación para el entrenamiento del modelo LSTM. Utilizando los datos del conjunto de entrenamiento, los pesos y coeficientes de compensación de cada capa del LSTM se optimizan continuamente hasta obtener el modelo con el menor error general, que es el modelo óptimo. Finalmente, el modelo óptimo se utiliza para establecer un sistema de red de distribución equivalente, se establecen diferentes grados de caídas de voltaje en los puntos conectados a la red, se comparan las características de falla con las del modelo completo, y los resultados de la simulación pueden demostrar la fiabilidad y practicidad del método propuesto.