3. 参数辨识的数学基础

新能源并网模型参数辨识，本质上是一个“由观测数据反推模型参数”的数学反问题。风机、光伏逆变器、储能变流器等设备的并网模型通常包含控制环带宽、虚拟惯量、下垂系数、滤波电感、锁相环增益等参数，这些参数往往无法直接测量，只能通过端口电压、电流、功率等可测信号间接推断。不同的数学方法对应不同的假设、目标函数和适用条件，选错方法会导致辨识结果有偏、方差过大或对噪声极其敏感。本节从统一视角梳理五类基本理论，并说明各自的适用边界。

一、统一框架：从观测到参数估计

设被辨识系统的真实参数向量为 θ，模型输出为 y = f(θ, u) + ε，其中 u 为激励输入，ε 为噪声或模型误差。参数辨识就是利用 N 组观测 {u(k), y(k)} 构造估计量 θ̂。不同方法的差别集中在三点：对噪声 ε 的统计假设、目标函数的形式、以及是否引入参数的先验信息。下图给出五类方法的输入、核心机制与输出关系。

二、最小二乘：最基础也最常用的起点

最小二乘（LS）的目标是让模型输出与观测的残差平方和最小。对于线性参数化模型 y = Φθ + ε，其中 Φ 为回归矩阵，其闭式解为 θ̂ = (ΦᵀΦ)⁻¹Φᵀy。这一形式在新能源参数辨识中非常常见，例如由 dq 轴电压电流方程反推滤波电感与电阻、由功率阶跃响应拟合下垂系数等。

LS 的适用条件需要特别注意：噪声应与回归量不相关，且 ΦᵀΦ 可逆。若激励信号幅值过小或频带过窄，ΦᵀΦ 接近奇异，参数估计方差会急剧放大。工程上常用条件数 cond(ΦᵀΦ) 判断可辨识性，一般希望其小于 10⁴～10⁶。此外，LS 对有色噪声和异常值敏感，若残差呈现明显自相关，应考虑广义最小二乘或增广模型。

三、极大似然：把噪声假设显式写进目标函数

极大似然（ML）从概率角度出发，寻找使观测数据出现概率最大的参数。若噪声服从零均值高斯分布且协方差为 σ²I，则对数似然函数为 ln L(θ) = −N/2·ln(2πσ²) − 1/(2σ²)·Σ(y−f(θ))²，最大化似然等价于最小化残差平方和，此时 ML 退化为 LS。这说明 LS 的合理性依赖于高斯白噪声假设。

当噪声为有色噪声或异方差时，ML 的优势才真正体现。例如在逆变器并网测试中，电流采样噪声方差随功率水平变化，此时应在似然函数中引入权重矩阵 W，即最小化 Σ wᵢ(yᵢ−fᵢ(θ))²，权重取噪声方差的倒数。ML 估计量在大样本下具有一致性和渐近有效性，但需要已知或正确假设噪声分布，且计算量通常大于 LS。

四、贝叶斯估计：引入先验，输出分布而非单点

贝叶斯估计把参数 θ 视为随机变量，通过贝叶斯公式 p(θ|y) ∝ p(y|θ)p(θ) 将先验信息与观测数据融合，得到后验分布。最大后验估计（MAP）取后验分布的峰值作为点估计。若先验取高斯分布 θ ~ N(θ₀, Σ₀)，则 MAP 等价于带 L2 正则化的最小二乘，正则项为 (θ−θ₀)ᵀΣ₀⁻¹(θ−θ₀)。

贝叶斯方法在新能源参数辨识中的价值在于：设备铭牌、出厂试验或历史辨识结果可作为先验，当现场数据有限或激励不充分时，先验能显著稳定估计。其代价是需要合理设定先验分布，若先验与真实参数偏离过大，会引入偏差。工程上常用弱信息先验（大方差）以降低这一风险。

五、正则化：用约束换取稳定性

正则化在损失函数中加入参数惩罚项，形式为 min Σ(y−f(θ))² + λR(θ)。L2 正则（岭回归）使参数整体收缩，缓解共线性；L1 正则（Lasso）使部分参数趋于零，可用于筛选主导参数。在新能源模型中，若多个控制参数相互耦合、难以单独辨识，L2 正则能有效降低方差；若怀疑模型中存在冗余参数，L1 正则可帮助识别。

正则化系数 λ 的选择是关键。λ 过大导致欠拟合、参数被过度压缩；λ 过小则正则化失效。常用方法包括交叉验证、L 曲线法以及基于噪声水平的经验公式。实际中建议先做 LS 得到初步估计，再根据参数方差和条件数决定是否引入正则化及 λ 量级。

六、优化求解：从目标函数到数值结果

除线性 LS 有闭式解外，ML、贝叶斯 MAP 和正则化问题通常需要数值优化。常用算法包括：梯度下降（简单但收敛慢）、高斯-牛顿法（利用二阶近似，收敛快但对初值敏感）、Levenberg-Marquardt（在高斯-牛顿与梯度下降间自适应切换，鲁棒性好）、内点法（适合带约束问题）以及粒子群、遗传算法等全局方法（适合非凸、多峰问题）。

以新能源并网模型为例，若待辨识参数为 θ = [Kp, Ki, Lf, Rf]，目标函数为电压电流残差平方和，可采用 LM 算法：先由 LS 给出初值，再迭代更新 θₖ₊₁ = θₖ − (JᵀJ + μI)⁻¹Jᵀr，其中 J 为残差对参数的雅可比矩阵，μ 为阻尼因子。当残差下降缓慢或 μ 超过阈值时停止，检查参数是否落在物理合理范围内。

综上，五类方法并非互斥，而是同一反问题在不同假设下的不同解法。实际辨识中常组合使用：先用 LS 获得初值和可辨识性判断，再用 ML 或贝叶斯处理噪声与先验，必要时加入正则化，最后用 LM 等优化算法求解并检验残差与参数物理合理性。理解每种方法的假设与边界，比记住公式本身更重要。