3. 参数辨识的数学基础

电网模型参数辨识的本质，是从量测数据中反推元件或系统的未知参数。无论面对的是发电机惯性时间常数、励磁系统增益、线路阻抗还是负荷模型系数，最终都要落到一个统一的数学框架上：构造以参数为自变量的目标函数，选择估计方法求解，并判断该参数在给定数据条件下是否真的可辨识。本节围绕这一主线，梳理四类估计方法的适用条件、目标函数与约束的处理方式，以及可辨识性的判断逻辑。

一、从量测方程到目标函数

参数辨识的起点是量测方程。设系统输出为 y，待辨识参数向量为 θ，输入为 u，则一般形式可写为：

y(k) = h(θ, u(k)) + v(k)

其中 h(·) 是模型输出函数，v(k) 是量测噪声。若 h 对 θ 线性，则退化为线性回归 y = Φθ + v，Φ 为回归矩阵；若 h 非线性（如发电机功角方程、负荷 ZIP 模型），则需要迭代求解。

目标函数通常取残差平方和形式：

J(θ) = Σ w(k) · [y(k) − h(θ, u(k))]²

当所有权重 w(k) = 1 时，即为普通最小二乘（LS）；当 w(k) 反映不同量测的可信度或精度时，即为加权最小二乘（WLS）。权重常取量测方差的倒数，即 w(k) = 1/σ²(k)，这样高精度量测在目标函数中占更大比重。

二、四类估计方法的定位与差异

最小二乘法是最基础的估计方法，其解析解为 θ̂ = (ΦᵀΦ)⁻¹Φᵀy。它假设噪声独立同分布且与回归量不相关，计算简单，但对异常值敏感，且当 ΦᵀΦ 接近奇异时解不稳定。

加权最小二乘法通过引入权重矩阵 W 修正目标函数，解变为 θ̂ = (ΦᵀWΦ)⁻¹ΦᵀWy。在电网参数辨识中，WLS 常用于处理不同量测类型（如 PMU 相量、SCADA 功率、故障录波电流）精度差异显著的情况。若权重取噪声协方差矩阵的逆，WLS 即为马尔可夫估计，在噪声高斯分布下达到最小方差无偏估计。

卡尔曼滤波面向动态系统，将参数视为状态或增广状态，递推更新：

预测：θ̂(k|k−1) = θ̂(k−1|k−1)
      P(k|k−1) = P(k−1|k−1) + Q
更新：K(k) = P(k|k−1)Hᵀ[H P(k|k−1)Hᵀ + R]⁻¹
      θ̂(k|k) = θ̂(k|k−1) + K(k)[y(k) − H θ̂(k|k−1)]
      P(k|k) = [I − K(k)H] P(k|k−1)

其中 Q 为过程噪声协方差，R 为量测噪声协方差，K 为卡尔曼增益。KF 适合参数缓慢时变或在线辨识场景，如负荷模型参数随季节变化、线路参数随温度漂移。扩展卡尔曼滤波（EKF）通过一阶泰勒展开处理非线性，但线性化误差可能影响收敛。

粒子滤波用一组带权粒子近似后验分布，适用于强非线性、非高斯噪声场景。其核心步骤为：采样、权重更新、重采样。在电网中，当故障暂态过程伴随非高斯噪声、或模型存在多峰后验时，粒子滤波比 EKF 更稳健，但计算量大，需权衡实时性。

三、约束处理：不能只做无约束优化

电网参数有明确的物理范围。例如同步发电机惯性时间常数 T_J 通常在 2～12 s，线路电阻为正，变压器变比在额定值附近。若直接做无约束最小化，可能得到负电阻或超出物理极限的参数，导致模型不可用。

约束处理常用三种方式：

• 参数变换法：将约束参数映射到无约束空间。例如 θ ∈ [a, b]，令 θ = a + (b−a)·sigmoid(z)，对 z 做无约束优化。
• 罚函数法：在目标函数中加入惩罚项 J_pen = J + λ·max(0, g(θ))²，其中 g(θ) 为约束违反量。λ 需逐步增大以保证收敛到可行域。
• 投影法：每次迭代后将参数投影回可行域，适用于简单箱式约束。

等式约束（如功率平衡方程、参数间已知比例关系）通常通过拉格朗日乘子法或降维处理。例如若已知 θ₁ = 2θ₂，可将两者合并为一个独立变量，减少待辨识维度。

四、可辨识性分析：先判断“能不能辨”，再谈“辨得准不准”

可辨识性回答的是：在给定输入激励和量测配置下，参数是否唯一确定。若两个不同参数向量产生相同输出，则不可辨识。工程上常用以下判据：

• 灵敏度矩阵秩条件：构造灵敏度矩阵 S = ∂y/∂θ，若 S 列满秩，则局部可辨识。秩亏说明某些参数方向对输出无影响或相互线性相关。
• 条件数：cond(SᵀS) 过大（如 >10⁶）说明参数间高度相关，估计方差大，实际不可辨识或弱可辨识。
• Fisher 信息矩阵：F = SᵀWS，其逆的对角元给出参数估计的 Cramér-Rao 下界，可用于判断哪个参数最难辨识。

以两机系统辨识惯性时间常数为例，若仅用稳态功率量测，T_J 对稳态功率几乎无影响，灵敏度接近零，此时 T_J 不可辨识。必须引入频率动态或功角摇摆曲线，才能激发 T_J 的灵敏度。这说明可辨识性不仅取决于模型结构，还取决于激励信号和量测类型。

五、方法选择与实施要点

实际工程中，方法选择可参考以下逻辑：若模型线性、噪声近似高斯、离线批量处理，优先用 LS/WLS；若参数时变或需在线更新，用 KF/EKF；若非线性强、噪声非高斯、后验多峰，用粒子滤波。目标函数构造时，权重应基于量测精度而非主观赋值；约束处理应优先采用参数变换或降维，罚函数仅作为补充。

最后需要强调：估计方法只是工具，可辨识性分析才是决定辨识成败的前置条件。一个在数学上不可辨识的参数，无论用多先进的滤波算法，都无法从数据中得到可靠估计。因此，完整的参数辨识流程应当是：可辨识性分析 → 目标函数与约束设计 → 估计方法选择 → 求解与残差检验 → 物理合理性校验。