1. 课程导入与新能源并网参数辨识全景

新能源并网模型参数辨识，本质上是回答一个工程问题：当风电机组、光伏逆变器或储能变流器接入电网后，我们能否用一组可计算的参数，把它的外特性“复现”出来，并让这个复现结果与真实设备在电网扰动下的响应足够接近？这组参数不是设备铭牌上的额定值，而是从实测或仿真数据中反推出来的等效模型参数，例如风机的惯量时间常数、光伏逆变器的电流环比例增益、储能PCS的下垂系数与虚拟惯量等。

本课程的学习目标可以概括为三条主线。第一，理解并网模型的结构与参数含义，知道每个参数在物理上对应什么、在数学上出现在哪个方程、在响应上影响哪一段波形。第二，掌握参数辨识的完整技术路线：从数据采集、模型结构选择、目标函数构造，到优化求解与结果校验。第三，能够针对风电、光伏、储能三类典型对象，独立完成一次参数辨识任务，并对辨识结果给出可信度判断。

为什么参数辨识是并网分析的前置条件

电网规划、稳定计算、故障反演和新能源消纳分析，都依赖并网模型。如果模型参数不准，仿真结论可能完全偏离实际。例如，某光伏电站低电压穿越测试中，逆变器在电压跌落至0.2 p.u.时应在20 ms内发出无功电流，若模型中电流环积分系数偏小，仿真会显示响应迟缓，从而误判为不满足并网标准。参数辨识的价值，就是把“模型像不像”从定性判断变成可量化的误差指标。

典型场景包括四类：一是并网性能测试后的模型校核，如低电压穿越、一次调频、惯量响应；二是现场录波数据驱动的参数反演，用于事故复盘；三是设备厂家控制器参数未知时的黑箱辨识；四是多机等值建模中，将数十台机组聚合为一台等效机并辨识其聚合参数。

整体技术路线

参数辨识不是单一算法，而是一条从数据到结论的链路。下图给出风电、光伏、储能三类对象共用的技术路线，以及各自的关键参数落点。

三类对象的关键差异

风电、光伏、储能虽然都通过电力电子变流器并网，但参数辨识的难点不同。风电的机械惯量较大，传动链扭振频率通常在0.5～3 Hz，辨识时需要同时考虑机电暂态与变流器控制；光伏的直流侧动态受辐照度和温度影响明显，锁相环带宽直接影响低电压穿越时的电流相位；储能的电池模型具有非线性SOC特性，且PCS控制参数与电池状态耦合，辨识时需先分离电池动态与变流器动态。

以一次调频为例，三类对象的响应时间尺度差异显著。风电机组通过释放转子动能参与调频，响应时间常数约2～5 s；光伏通过减载备用参与调频，响应时间常数约0.5～2 s；储能通过下垂控制参与调频，响应时间常数约0.1～0.5 s。这意味着同一套辨识算法，在目标函数的时间窗选取和权重设计上必须区别对待。

参数辨识的基本数学形式

设并网模型为 y(t) = f(u(t), θ)，其中 u(t) 为实测电压、频率等激励，y(t) 为有功、无功、电流等响应，θ 为待辨识参数向量。辨识就是求解：

min J(θ) = Σ w_k · [y_meas(t_k) - y_sim(t_k, θ)]²
s.t.  θ_min ≤ θ ≤ θ_max

其中 w_k 为权重系数，通常对低电压穿越期间的电流峰值段赋予更高权重。求解方法上，粒子群和遗传算法适合参数维度高、非凸性强的情况；梯度类方法如Levenberg-Marquardt收敛快，但依赖初值。实际工程中常采用“先灵敏度筛选、再分步辨识”的策略：先固定影响小的参数，再对灵敏度高的参数进行优化。

可信度判断的基本依据

辨识结果不能只看拟合误差。一个常见的误区是：在某一工况下拟合误差很小，但换一个工况误差急剧增大，说明参数过拟合或模型结构不匹配。可信度判断应至少包含四项：一是多工况交叉验证，训练工况与校验工况分离；二是残差分布检查，残差不应存在明显趋势或周期性；三是参数灵敏度分析，灵敏度低的参数不应给出确定值；四是物理合理性检查，辨识出的参数应落在设备物理允许范围内。

例如，某储能PCS下垂系数辨识结果为 m = 0.032 Hz/kW，而设备铭牌给出的调频死区为±0.03 Hz，若辨识值对应的调频死区远小于铭牌值，则需检查数据中是否包含足够大的频率扰动，否则该参数不可信。这类判断不依赖复杂算法，但需要工程师对设备物理特性有清晰认识。

本课程后续将围绕这条技术路线，逐一展开风电、光伏、储能的参数辨识方法、典型算例与工程校验流程。掌握这条全景路线，是后续每一章具体操作的前提。