綜合模型聚合和參數辨識的風電場多機等值及參數整體辨識

潘學萍，戚相威，梁 偉，雍成立，丁新虎，李 威，朱 玲

（1. 河海大學能源與電氣學院，江蘇 南京 211100；2. 南瑞集團有限公司（國網電力科學研究院），江蘇 南京 211106）

0 引言

目前大規模風電場等值建模已有較多的研究報道［1-3］，它主要包括2個方面的內容，即等值模型結構的確定和等值模型參數的獲取。從等值模型結構而言，主要包括單機等值和多機等值。早期在對風電場進行等值建模時，常采用單機等值方法，然而受尾流效應、風電場地形地貌、風速風向等因素的影響，風電場內各風電機組的運行工況不盡相同；同一風電場內的機組類型、機組的控制方式以及參數可能不同，單機等值誤差較大，為此文獻［4-6］提出多機等值策略。對風電場進行多機等值時，分群是多機等值的前提。傳統電力系統進行動態等值時，?；陧憫€的相似度進行同調判別，最直接的方法是以2 臺或以上同步發電機的功角差在觀察時段內的最大值小于某設定的閾值，該方法的缺點在于閾值的設定將直接影響分群結果。還有文獻通過提取反映受擾軌跡相似度的時頻特征進行同調判別。

針對風電機組的分群研究，從基于穩態運行點［7］如風速，到基于單個特征量［4］如槳距角或Crowbar動作與否、風電機組轉速、短路容量等，以及基于響應曲線動態特性［2，8-9］的分群等均有報道。文獻［3］根據不同風速下風電機組的動態特性，首先將風電場分為3 群，綜合特殊運行場景提出將風電場內機組分為4 群的方法。文獻［9］提出基于轉子電流的同調性進行動態分群的策略。針對電力電子化電力系統，文獻［10］提出基于廣義哈密頓作用量的同調判別標準，并指出所提哈密頓作用量可表征所有狀態的變化趨勢。風電機組動態特性的主要影響因素包括以下3 類：機組類型、控制方式及其參數；機組的穩態運行點；機組的受擾程度。風電場動態等值時，既要考慮穩態運行狀態的一致性，還要考慮動態特性的一致性。這是由于風功率具有明顯的分段特征，為獲得較高的穩態擬合效果，需要根據風功率的分段特征將風電機組分群。同時，為獲得較高的動態等值精度，還需根據風電機組的受擾軌跡進行同調分群?；谑軘_軌跡進行同調分群時，不僅需考慮受擾軌跡的趨勢相似性，還需考慮波動相似性。為此，本文提出基于動態時間規整DTW（Dynamic Time Warping）方法［11］尋找相似受擾軌跡，建立聚類指標對風電機組進行同調分群。DTW 方法通過彎曲時間軸增強多個受擾軌跡序列間的形態匹配效果，將其應用于風電機組分群能克服因受擾軌跡的波動和突變等因素而導致相似性失真的問題，有助于搜索到相似度高的受擾軌跡，提高分群精度。

等值機參數的獲取是風電場等值建模的另一個重要研究內容?，F有研究包括以下2 種途徑。一種是“正向”解析方法［12］，即假設已知各臺風電機組的自身參數（機型、變流器的控制方式、各組成部分的模型參數等）以及穩態運行情況（如風速、風向等），同時還需已知風電場機組臺數、布置方式以及集電網絡參數等。將各機組參數通過一定的規則（如按容量加權）進行聚合，從而獲得等值機參數。另一種是“反向”辨識方法［13］，它根據系統受擾下的動態量測數據，通過擬合受擾曲線進行參數辨識?；诮馕龇椒ǐ@得等值機參數時，等值前要求已知被等值風電場的完整結構、參數以及機組的實際運行工況。由于風電機組參數一般由廠家給定，存在給定值不準確的問題或者由于運行過程中參數發生改變以及人為調節等，所以通過解析方法獲得的參數值與實際值可能存在偏差?；诒孀R方法獲取等值機參數時，存在量測量不充分導致系統不可觀、參數的軌跡靈敏度小而難以辨識，亦或參數優化存在多解等問題，因此通過有限的量測獲得所有參數的難度較大。尤其當風電場等值為多臺機組時，存在參數多且各參數間存在交互影響等現象，通過辨識方法準確獲得所有參數的難度較大。

為解決上述問題，本文提出將解析方法與辨識方法相結合的參數獲取新思路。先根據風電廠商給出的參數典型值，結合風電場內機組的運行狀態以及機組分布等信息，通過解析方法獲得等值機參數的初始估計值；再根據風電場在受擾下的動態軌跡，對等值模型中的重點參數進行辨識，辨識時將解析方法獲得的參數值作為初始值。當風電場采用多機表征時，系統受擾軌跡與多臺等值機參數密切相關。由于參數較多，且參數間可能存在交互影響，如何通過辨識方法獲得多等值機參數是難題之一。文獻［14-15］研究了同時辨識多臺同步發電機參數的策略。與同步發電機相比，雙饋風電機組的參數更多，各組成模塊的時間常數差別更大。為此在辨識前需確定重點參數，其次需要分析各參數的可辨識性。

綜上，本文提出了綜合模型聚合和參數辨識的風電場多機等值建?？蚣?，創新性地提出了綜合穩態特性與動態特性的風電場分群方法，將DTW 方法引入受擾軌跡的相似度分析?；谲壽E靈敏度方法研究了多等值機的重點參數及參數可辨識性，最后提出了分類辨識和重點辨識相結合的多等值機參數整體辨識策略。

1 綜合解析及辨識方法的風電場等值建模整體框架

風電場多機等值時，為準確獲得多臺等值風電機組的參數值，本文提出將解析方法與辨識方法相結合的建模策略，具體流程見圖1。結合“正向”解析方法及“反向”辨識方法2 個步驟，可獲得較為準確的風電場等值模型參數。

圖1 風電場等值建模流程Fig.1 Flowchart of equivalent modelling for wind farm

2 風電機組的分群

風電場動態等值時，不但需要保持等值前后初始潮流（穩態運行點）相等，還需保證受擾軌跡的高度一致性。

2.1 考慮穩態一致性的風電機組分群

風電場內一般有成百臺甚至上千臺風電機組，風電機組的位置、風速、風電場的地形等都可能導致各風電機組所受風速不同。由于風電機組的機械功率與輸入風速的三次方相關，附錄A 圖A1展示了仿真得到的雙饋風電機組機械功率與輸入風速的三次方之間的關系曲線。由圖可以看出：風電機組的功率特性具有明顯的分段特征，風速位于BD段與位于DE段機組的風功率特性差別較大。如果等值建模時將風電場等值成單臺機組，勢必造成等值機輸入風速的不準確，帶來較大的穩態誤差。因此風電場等值建模時，為保證等值前后穩態運行點的一致性，可根據各臺機組的輸入風速，將風速位于BD段的機組分為同群，而風速位于DE段的機組分為另外一群。

對于處于BD段的風電機組，風電機組捕獲的機械功率PT可表示為：

式中：ρ為空氣密度；R為風輪葉片的長度，πR2為風輪葉片的掃風面積；Cp(λ，βw)為風能利用系數，λ為葉尖速比，βw為風力機葉片的槳距角；v為風電機組輸入風速。

由式（1）可以看出：風電機組機械功率與風速的三次方成正比，因此如果按照風速的三次方求取等效風速，等值機的總功率與每臺等值機的功率呈線性關系，為此等值機的等效風速veq可用式（2）進行求取。

式中：下標eq 表示等值機組；下標i表示第i臺機組；N為同群內的機組臺數；Si為第i臺風電機組的額定容量；Seq為同群內所有機組的額定容量之和。

而由于風速在DE段的功率特性曲線是一條水平線，因此可以將風速在DE段內所有機組的風速均視為等值風速，取風速在DE段內所有機組的風速按容量加權值作為等值機的輸入風速，見式（3）。

2.2 考慮動態特性一致性的風電場分群

當風電機組類型、控制方式或參數存在差異時，其受擾軌跡波形也不盡相同。本文提出基于DTW方法分析受擾軌跡的相似性，該方法允許時間軸上的規整，通過尋找序列之間的最優映射來計算相似度。將其應用于風電機組分群能克服因受擾軌跡的波動和突變等因素而導致相似性失真的問題，從而提高分群精度?；贒TW 方法的受擾軌跡相似性分析的流程如下。

設有2 個受擾軌跡時間序列X=［x1，x2，…，xα］和Y=［y1，y2，…，yβ］，其中α和β為兩序列長度。首先定義一個α×β階的距離矩陣D，其中第m行n列元素表示為d（m，n）=（xm-yn）2。

定義規整路徑W如式（4）所示，用來表示序列X和Y的一種對齊或映射，具體如圖2所示。

圖2 規整路徑的原理圖Fig.2 Principle diagram of warping path

式中：wk=（m，n）；K為路徑長度，且max{α，β}≤K＜α+β-1。

規整路徑需滿足如下約束：

1）邊界性約束，路徑的起始點為w1=（1，1），終止點為wK=（α，β）；

2）連續性和單調性約束，若wk=(m，n)，則wk+1前進的方向必須是(m+1，n)、(m，n+1)和(m+1，n+1)中之一。

滿足上述約束的路徑有很多，將其中累計距離最小的確定為序列X和Y間的DTW 距離，累計距離r(m，n)定義為：

式中：rDTW(X，Y)為序列X和Y間的DTW距離。

2.3 綜合穩態特性和動態特性的風電機組分群

為保證等值前后風電場初始潮流的一致性，根據風電機組的功率分段特征可將風電場分為1 至2群；根據等值前后動態特性的一致性，風電場可分群為1 至多群。綜合考慮初始潮流一致性和動態特性一致性，風電場最終可分為1至多群不等。

圖3展示了穩態分群數為2、暫態分群數為2，且穩態分群和暫態分群不一致時的風電場最終分群結果，其他情形依此類推，不再贅述。圖中，Cs1表示穩態分群1 的結果，Ct1表示暫態分群1 的結果，其他類似。

圖3 綜合穩態和暫態特性的分群結果Fig.3 Grouping results considering steady-state and transient-state characteristics comprehensively

3 等值風電機組模型參數獲取的解析方法

3.1 等值風電機組參數的求取

當各臺風電機組的參數已知時，等值風電機組的參數xeq可按如下容量加權方法獲得：

式中：xi為第i臺風電機組參數。

3.2 集電網絡的等值參數

文獻［16］給出了風電場集電網絡的2 類等值方法：一類是在集電網絡拓撲結構及參數已知的情況下，以網絡變換前后風電機組端口電壓不變為原則，對集電網絡進行的并聯化變換方法；另一類是在拓撲及參數未知時，以風電場聚合前后功率相等為原則，對集電網絡進行單阻抗等效。

REI（Radial，Equivalent and Independent）等值方法是電力網絡等值的經典方法，可將其用于風電場集電網絡等值［17］，其優點在于：精度高，可實現任意分群下的等值。具體流程如下：①將同群內各風電機組的端口電壓模值和相角平均，作為等值機母線電壓的模值和相位；②將各風電機組出口母線通過一臺具有復變比的理想移相變壓器連接到等值母線上，理想變壓器的復變比為風電機組的出口電壓／等值母線電壓；③消除各風電機組出口之間的關聯支路，轉化為連接在相關母線上的對地支路；④保留等值機端口節點以及并網點PCC（Point of Common Coupling），通過網絡化簡獲得集電網絡等值模型參數。

4 等值風電機組模型參數的辨識方法

以雙饋風電機組為例討論風電場的多機等值，需要說明的是本文方法同樣適用于直驅型風電機組。雙饋風電機組包括風力機、傳動系統、發電機、變流器以及控制環節，其各組成部分模型結構見文獻［16］，其中轉子側變流器的模型結構見附錄A圖A2。

4.1 重點參數的確定

即使對于單臺風電機組，依靠單一擾動一般很難辨識所有參數。為此文獻［18］提出分步辨識的方法，采用不同類型的擾動辨識對應擾動下的強相關參數。實際風電場中一般所受擾動為電網側故障，該故障將直接影響風電場的端口電壓。文獻［19］根據電網側電壓跌落下有功功率及無功功率受擾軌跡的靈敏度，指出此時靈敏度較大的控制器參數為轉子側變流器有功外環控制器的比例系數Krp_p和積分系數Krp_i，以及電壓外環控制器的比例系數Krv_p和積分系數Krv_i（定電壓控制方式），或者無功外環控制器的比例系數Krq_p和積分系數Krq_i（定無功控制方式），雙饋發電機的定子漏感Ls、轉子漏感Lr以及定轉子互感Lm。文獻［16］指出由于參數Ls和Lr無法區分辨識，本文將兩者之和Ls+Lr作為重點參數。

4.2 等值機參數的可辨識性分析

為探討同時辨識多臺等值機參數的可能性，以圖4 所示的WTeq1和WTeq2這2 臺等值風電機組接入無窮大系統為例，討論等值機參數的可辨識性。

圖4 兩機系統的示意圖Fig.4 Schematic diagram of two-machine system

假設2 臺等值機的型號相同，但控制方式不同（分別采用定電壓控制和定無功控制），則定電壓控制方式下等值機的重點參數為｛Krp_p，Krp_i，Krv_p，Krv_i，Ls+Lr，Lm｝，定無功控制方式下為｛Krp_p，Krp_i，Krq_p，Krq_i，Ls+Lr，Lm｝。為分析多等值機中各重點參數的可辨識性，本文采用軌跡靈敏度方法［20-21］，以故障下PCC 處的有功功率及無功功率作為觀測變量，根據各參數的軌跡靈敏度相位判斷參數的可辨識性［16，22］。

參數θj的軌跡靈敏度Sθj定義如下：

式中：下標j表示第j個參數；J為參數個數；Δθj為θj的變化量；θ為由重點參數所組成的列向量；y和y′分別為原受擾軌跡和參數發生偏差后的受擾軌跡。

假設第j個參數θj與第l個參數θl線性相關，可表示為：

從式（9）可以看出：若參數θl與θj線性相關，則它們的軌跡靈敏度將同相（η＞0）或反相（η＜0）。因此，當2 個或以上參數的軌跡靈敏度相位相同或相反時，這些參數線性相關，無法區分辨識。

4.2.1 相同控制方式下同一參數的可辨識性

設圖4中WTeq1和WTeq2型號相同、控制方式也相同，需要說明的是，算例中設控制方式為定電壓控制，其他控制方式下所得結論相同，不再贅述。WTeq1和WTeq2的額定容量分別為6 MW 和3 MW，初始風速分別為14 m／s 和12 m／s，Zeq1為Zeq2的1/2。擾動設置為t=0 s 時PCC 處發生三相短路故障，故障期間PCC 處電壓降落至65%UN（UN為額定電壓），t=0.15 s 后故障消失。分別計算2 臺等值機參數的軌跡靈敏度，見圖5。圖中，SP和SQ分別為各參數對應的有功功率和無功功率軌跡靈敏度。

從圖5 可見：采用相同型號、相同控制方式的風電機組，同一參數的軌跡靈敏度基本同相，難以區分辨識；等值機額定容量越大，參數的靈敏度越大。因此在多等值機參數辨識時，將同型號且采用相同控制方式的等值機參數設為一樣，并同時辨識。

圖5 定電壓控制下各參數的軌跡靈敏度曲線Fig.5 Trajectory sensitivity curves of each parameter under constant voltage control

4.2.2 不同控制方式下同一參數的可辨識性

設WTeq1和WTeq2的型號相同，但控制方式不同（WTeq1為定電壓控制，WTeq2為定無功控制），相同參數的軌跡靈敏度曲線見附錄A 圖A3。由圖可見：采用不同控制方式的兩風電機組，同一個參數的軌跡靈敏度不同相，可區分辨識。因此對于采用不同控制方式的2 臺或以上等值機，其同一個參數可聯合辨識。由圖5 和圖A3 還可以看出：額定容量越大的等值機，參數的軌跡靈敏度越高，參數越容易辨識。下面進一步分析集電網絡等值阻抗的影響。

4.3 集電網絡等值阻抗的影響

設WTeq1和WTeq2的額定容量相同（均為6 MW），且型號、控制方式一致，但集電網絡等值阻抗不同，其中Zeq1較小，Zeq2較大，以轉子側外環有功控制器的比例和積分系數為例，分析不同等值阻抗下參數的軌跡靈敏度，見附錄A 圖A4。由圖可以看出：額定容量相同但等值阻抗較小的等值機，參數的軌跡靈敏度越高，越容易辨識。

通常情況下等值機的額定容量越大，集電網絡參數聚合時由于并聯支路較多，其等值阻抗小，此時該等值機組參數的軌跡靈敏度較高，較容易辨識。因此在多等值機參數辨識時，應重點關注額定容量較大的等值機。

4.4 多等值機參數的整體辨識策略

當風電場內機組分為2 群或以上時，由于每臺等值機的重點參數較多，若同時辨識所有參數，則由于參數較多可能導致難以收斂，且存在當機組的機型、控制方式相同時，相同參數難以區分辨識的問題，為此本文提出多等值機的參數整體辨識策略，具體如下。

1）分類辨識。對等值機進行分類，認為每類等值機參數相同。分類的主要依據是風電機組類型和控制方式，如采用定電壓控制的機組歸為一類，采用定無功控制的機組歸為另一類。

2）重點辨識。選擇重點參數進行辨識，對于非重點參數，由于其對動態軌跡的影響較小，這些參數取為典型值，從而減少辨識誤差。

3）修正額定容量大的等值機組的等值阻抗。等值阻抗越小，對動態特性的影響越大。為此在參數辨識時，將大容量等值機的等值阻抗選為待辨識參數，對有功功率和無功功率受擾軌跡進行擬合。

5 算例分析

以圖6 所示的風電場為例，它由4 行4 列共16臺1.5 MW 雙饋風電機組通過機端變壓器升壓至25 kV，通過集電網絡連至PCC 母線，再經2 臺升壓變通過雙回線與無窮大系統相連。同饋線機組間距為400 m（Y軸），饋線間距為500 m（X軸），風輪直徑為70 m。設機組WT1—WT8采用定電壓控制方式，機組WT9—WT16采用定無功功率控制方式。風電機組模型參數見MATLAB／Simulink平臺［23］。

圖6 風電場的機組分布Fig.6 Layout of wind turbine generators at wind farm

假設風由風電場的左下方吹入，風向為35°（與X軸的夾角），測風塔（位于風機WT1的位置）所測風速為14 m／s，推力系數取0.8，粗糙常數取0.075。

5.1 風電機組的分群

采用文獻［7］所提的風速估算方法，根據各風電機組之間的距離及風向，計算上游機組沿風向在下游機組的尾流半徑，進一步估算得到風電場內各機組的風速，見表1。

表1 風速分布Table 1 Distribution of wind speed

首先根據風電機組的穩態運行情況分群。由表1 中各機組的風速以及其風速-功率曲線可知，機組WT1—WT5、WT9、WT13運行于恒功率區，其余機組運行于最大功率跟蹤區。此時按照潮流一致性的分群結果為：機組WT1—WT5、WT9、WT13為同群，機組WT6—WT8、WT10—WT12、WT14—WT16為另一群。

進一步根據風電機組的動態特性分群。擾動設置為t=0 s 時f3處發生三相短路故障，持續0.15 s后故障消失，系統恢復至原狀態。各風電機組有功功率P與無功功率Q受擾軌跡見圖7，圖中P、Q均為標幺值。

根據圖7所示的16臺風電機組有功功率和無功功率受擾軌跡的時間序列，采用DTW 方法計算受擾軌跡間的DTW 距離，結果見附錄B 表B1。DTW 距離越小，說明受擾軌跡之間的相似度越高。由表B1可以看出：機組WT1—WT8兩兩之間、機組WT9—WT16兩兩之間的DTW 距離較??；機組WT1—WT4相對機組WT5—WT8間的DTW距離稍大，但不明顯，這是由于機組WT1—WT4與機組WT5—WT8的穩態運行點不同，且與故障點的距離不同；機組WT1—WT8相對機組WT9—WT16間的DTW 距離較大（見表B1中的陰影部分），這是由于機組WT1—WT8和機組WT9—WT16的控制方式不同。

圖7 f3 處發生三相短路故障時各風電機組的受擾軌跡Fig.7 Disturbed trajectories of wind turbine generators under three-phase short circuit fault at f3

根據DTW 相似度結果可知：WT1—WT8的受擾軌跡相似度較高，可分為同群；機組WT9—WT16的受擾軌跡相似度較高，可分為另一群。DTW 的分群結果與機組控制方式相吻合，說明了DTW 分群方法的可行性。為進一步說明DTW 動態分群方法的有效性，附錄B 還給出了風電場內各機組參數存在差異情況下的分群結果。

綜合穩態分群以及DTW 相似度結果，可得風電場的最終分群結果見表2。各等值機的等值風速可根據式（2）計算得到。

表2 風電機組分群結果Table 2 Grouping results of wind turbine generators

5.2 集電網絡的參數聚合

根據表2 所示的分群結果，采用REI 方法對圖6所示的風電場進行集電網絡等值，可得風電場多機等值模型結構，如圖8 所示。圖中等值機WTeq1和WTeq2之間、WTeq3和WTeq4之間分別存在聯絡線等值阻抗Zeq12和Zeq34的原因在于非自然饋線分群。通常等值機的機端電壓相差不大，因此可將Zeq12和Zeq34忽略。根據REI等值結果可得：Zeq1=1.9402+j6.1685 Ω，Zeq2=2.5962+j8.2692 Ω，Zeq3=312.13+j937.5 Ω，Zeq4=1.3045+j4.1228 Ω。

圖8 風電場的多機等值模型結構Fig.8 Structure of multi-machine equivalent model for wind farm

5.3 等值風電機組的參數辨識

首先根據分類辨識的原則，由于等值機WTeq1和WTeq2都采用定電壓控制，認為WTeq1和WTeq2的參數相同；等值機WTeq3和WTeq4都采用定無功控制，認為等值機WTeq3和WTeq4的參數相同。根據重點辨識原則，可得等值機WTeq1和WTeq2的重點參數為｛Krp_p_eq，Krp_i_eq，Krv_p_eq，Krv_i_eq，（Ls+Lr）_eq，Lm_eq｝，等值機WTeq3和WTeq4的重點參數為｛Krp_p_eq，Krp_i_eq，Krq_p_eq，Krq_i_eq，（Ls+Lr）_eq，Lm_eq｝。同時由于等值機WTeq4包含的機組臺數多、容量大，選擇其等值阻抗進行修正，即將Zeq4也作為重點參數。

將故障設置為t=0 s 時無窮大電源端口（圖6 中的f1處）電壓跌落至50%UN，持續0.15 s 后故障消失，系統恢復至原狀態。先基于解析方法獲得各等值機的參數，進一步將PCC 處的有功功率和無功功率受擾軌跡選為觀測量，采用粒子群優化算法［24］辨識重點參數。參數辨識目標函數為：

式中：Psim和Qsim分別為基于等值前詳細模型仿真獲得的PCC 處有功和無功功率；Pest和Qest分別為基于參數值辨識值仿真獲得的PCC處有功和無功功率；L為受擾軌跡時間窗口內總仿真步長數。

采用粒子群優化算法進行參數辨識時，設粒子群種群大小為60，最大迭代次數為60，學習因子為2，最小權重系數和最大權重系數值分別為0.4和0.9。表3 為各等值機的參數辨識結果。表中，（Ls+Lr）_eq、Lm_eq均為標幺值。

表3 等值風電機組參數辨識結果Table 3 Parameter estimation results for equivalent wind turbine generators

圖9 給出了原系統以及基于辨識結果的等值模型在PCC 處的電壓U、有功功率和無功功率受擾軌跡，圖中U為標幺值。由圖9 可以看出：綜合解析方法和辨識方法的多機參數獲取策略具有較好的動態擬合效果。下面進一步基于其他故障類型，分析上述參數辨識結果的適應性。

圖9 f1 處電壓跌落至50%UN時的等值結果Fig.9 Equivalent results when voltage drops to 50%UN at f1

5.4 辨識模型的適應性分析

將故障設置為120 kV線路中點（圖6中f2處）在t=0 s 時發生三相短路故障，此時PCC 處電壓跌落至15%UN。附錄C 圖C1 給出了原系統以及基于辨識結果的等值模型在PCC 處的電壓、有功功率和無功功率受擾軌跡。由圖可以看出：在電壓跌落較嚴重情況下，等值模型依然具有較好的擬合精度，說明等值模型具有較好的適應性；比較等值前后有功功率和無功功率受擾軌跡可以看出無功功率受擾軌跡的誤差偏大，其原因在于故障點離風電場越近，風電機組動態對等值阻抗越敏感，此時等值模型的誤差有所增加。

6 結論

多機等值建模是風電場動態等值的研究重點，然而多機參數的準確獲取難度較大。針對該問題，本文提出了綜合解析方法和辨識方法的風電場多機等值建?？蚣?。首先基于解析方法獲取等值模型的參數值，然后將其作為初始值通過辨識方法獲取模型參數。

在對多機模型進行參數辨識時，由于參數較多，存在不可辨識、難以辨識等問題。為此，本文基于軌跡靈敏度方法，分析了參數的可辨識性，在此基礎上選取其中的重點參數作為待辨識參數。

最后，本文提出了基于分類辨識、重點辨識的多等值機參數整體辨識策略?；诜抡嫠憷M行了模型驗證，進一步分析了模型的適應性。后續研究工作包括不同低電壓穿越策略下風電場的多機等值建模，以及基于風電場現場錄波數據進行本文方法的實測驗證。

附錄見本刊網絡版（http：//www.epae.cn）。