4. 新能源并网模型的可辨识性分析

在新能源并网建模中，我们往往面对一个尴尬的现实：模型结构已经搭好，参数却未必都能从现场可测数据中“算出来”。风电机组和光伏逆变器的控制器内部存在大量参数，有些对并网点电压、电流、有功、无功的影响非常显著，有些则几乎被其他环节掩盖。可辨识性分析的任务，就是在辨识之前先回答三个问题：哪些参数对可测输出敏感？哪些参数之间高度相关、容易互相“顶替”？哪些参数组合能够从现有数据中被唯一确定？只有完成这一步，才能确定真正值得辨识的待辨识参数集，避免把不可辨识参数强行塞进优化算法，导致结果发散或参数漂移。

一、灵敏度分析：先看参数“有没有声音”

灵敏度反映的是参数微小变化对输出量的影响程度。对新能源并网模型，通常选择并网点有功功率 P、无功功率 Q、电压 U、电流 I 以及故障期间的电流限幅响应作为输出量。设参数向量为 θ，输出为 y，则相对灵敏度可写为：

S_i = (∂y / ∂θ_i) · (θ_i / y)

工程上常用归一化灵敏度：
S_i^norm = |Δy / y| / |Δθ_i / θ_i|

例如，在光伏逆变器低电压穿越测试中，若将无功电流注入系数 K_q 改变 10%，并网点无功功率变化约 8%，则归一化灵敏度约为 0.8，属于高灵敏度参数；而若将直流母线电压外环积分系数改变 10%，并网点有功变化不足 0.5%，则灵敏度约 0.05，属于低灵敏度参数。低灵敏度参数即使数学上可辨识，实际数据中的信噪比也往往不足以支撑稳定辨识。

灵敏度分析通常采用轨迹灵敏度法：在典型工况下对模型施加小扰动，记录输出轨迹，再通过有限差分或自动微分计算灵敏度轨迹。对于风电机组，应分别考察风速阶跃、电网电压跌落、频率扰动等场景；对于光伏逆变器，应考察辐照度变化、电网电压跌落、无功指令阶跃等场景。若某参数在多个场景下灵敏度均低于阈值（例如 0.1），可优先考虑将其固定为典型值或厂家值。

二、相关性分析：再看参数“是否互相冒充”

灵敏度高并不等于可辨识。两个参数可能都对输出有影响，但影响方向几乎相同，导致输出只能反映它们的某种组合，而无法区分各自取值。这就是参数相关性。常用方法是计算灵敏度矩阵 S 的条件数或参数协方差矩阵，并进一步得到相关系数矩阵：

ρ_ij = cov(θ_i, θ_j) / (σ_i · σ_j)

若 |ρ_ij| > 0.9，认为参数 i 与 j 高度相关；
若 0.7 < |ρ_ij| ≤ 0.9，认为中等相关；
若 |ρ_ij| ≤ 0.7，认为相关性可接受。

在双馈风电机组中，转子侧电流内环比例系数 K_p_i 与积分系数 K_i_i 常常高度相关，因为两者共同决定电流环带宽和响应速度，在阶跃响应中表现为“快慢组合”，仅凭并网点电流波形难以唯一分离。类似地，光伏逆变器的有功电流限幅值与无功电流优先系数在低电压穿越期间也可能高度相关，因为两者共同约束故障电流的分配比例。

处理相关性的常用手段有三种：一是参数分组，将高度相关的参数合并为一个等效参数，例如将电流环 PI 参数等效为带宽和阻尼比；二是增加激励，设计能够分别激发两个参数独立响应的测试场景；三是固定一个、辨识另一个，选择物理意义更明确或厂家给出的参数作为固定值。

三、可辨识性判定与待辨识参数集确定

综合灵敏度与相关性结果，可以形成可辨识性判定矩阵。下表给出一个风电机组示例（数据为教学假设，非实测结果）：

最终待辨识参数集应满足：灵敏度高于阈值、两两相关系数低于阈值、且参数在物理上可独立调整。对于风电机组，典型待辨识集可包括：无功电流注入系数、有功恢复速率、低电压穿越期间电流限幅值、桨距角补偿系数等；对于光伏逆变器，典型待辨识集可包括：无功电流注入系数、有功电流限幅值、低电压穿越恢复斜率、MPPT 电压步长等。

在实际工程中，建议先以厂家典型参数为基准，在并网点采集一段包含电压跌落和无功支撑过程的录波数据，计算各候选参数的灵敏度轨迹，再对灵敏度排名前 60% 的参数做相关性聚类。若某簇内参数相关系数超过 0.9，则只保留物理意义最明确的一个，其余固定或合并。最终待辨识参数数量通常控制在 5～10 个，既能保证辨识精度，又能避免维数灾难。

完成可辨识性分析后，后续的参数辨识算法才有明确的搜索空间和优化目标。待辨识参数集确定得越合理，辨识过程的收敛性、唯一性和工程可信度就越高。