1.基于卷积神经网络的SVG参数优化辨识方法，其特征在于，包括：步骤S1：建立与SVG实测曲线运行环境相同的SVG系统的等值数学模型；

步骤S2：利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度，探究不同观测量下的轨迹灵敏值，设定阈值，筛选出轨迹灵敏度大于设定阈值的参数；

步骤S3：依据上述获取到的参数建立数据集并对数据集进行标准化处理；

步骤S4：搭建卷积神经网络模型，并利用数据集完成模型训练；

步骤S5：用模型来辨识SVG参数，得到最终辨识结果；

步骤S3的具体过程如下：

SVG参数 作为待辨识参数，各参数范围为： 为

0.00585‑0.0715， ‑ 为0.9‑1.1， 为0.00522‑0.00638， 为702‑858， 为0.0252‑

0.0308， 为1.1‑1.2；

确定辨识参数以及参数范围后，从下限开始，每次SVG参数在各自范围内随机取值，记录每一次参数改变时，输出无功功率曲线、电流曲线和电压曲线的数据和对应的SVG参数来构建数据集；每一次取值时，BPA仿真和RTDS实测的无功数据都会有一定的误差，采用目标函数过滤掉误差不小于2000的数据，得到最终的数据集；目标函数由 RTDS实测无功和BPA仿真无功的误差平方表示，其计算公式如下：；

式中， 为误差计算结果， 和 为计算误差的起始时间和结束时间， 为RTDS实测的无功数据， 为BPA仿真的无功数据；

对数据集的数据进行标准化处理，其计算公式如下：

；

式中，为处理前的各参数值， 为其最小值， 为其最大值，为处理后的标签；

步骤S4的具体过程如下：

模型包括输入层、一层卷积层、一层池化层、三层全连接层和输出层，依据无功动态曲线数据逆推出对应的SVG参数；输入层输入数据是无功、电压和电流动态曲线数据构成的二维矩阵，输出层输出数据是辨识的SVG参数；卷积层使用卷积核进行卷积操作，沿着时间步移动来提取系统在当前时间区内的运动特征，移动步长为1，构建参数和曲线数据的映射关系，并在卷积计算后用激活函数对卷积之后的结果进行非线性激活操作；池化层对结果进行降维操作，将卷积操作输出的二维矩阵数据展平，变为一维数据来作为全连接层的输入；

模型训练前，把样本数据集随机打乱，取80%的数据作为训练集，余下的20%作为测试集；模型训练时，将损失函数反向传递，不断修正各层之中的权值和偏置值，达到训练次数后开始进行测试；模型测试中，对损失函数设定一个阈值，损失函数值超过阈值的测试结果是不可接受的，而低于这个阈值的测试结果是可接受的，当测试集精度达到95%时，认为模型训练完成。

2.根据权利要求1所述的基于卷积神经网络的SVG参数优化辨识方法，其特征在于：步骤S1中，SVG实测曲线为RTDS实测曲线，所使用的仿真工具PSD‑BPA。

3.根据权利要求1所述的基于卷积神经网络的SVG参数优化辨识方法，其特征在于，步骤S2中，利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度，探究不同观测量下的轨迹灵敏值，具体为：设置短路故障，进行暂态计算，记录接有SVG母线处的无功曲线、电流曲线以及电压曲线；将选定参数在初始值的基础上增加5%，再一次进行暂态计算，得到输出曲线，然后计算选定参数的无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度，计算公式如下：（1）

式中， 分别为无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度， 为采样点个数， 分别为参数取初始值时得到的无功值、电流值、电压值， 分别为参数在初始值的基础上增加5%得到的无功值、电流值、电压值。

4.根据权利要求1所述的基于卷积神经网络的SVG参数优化辨识方法，其特征在于，步骤S5的具体过程为：用RTDS实测曲线数据作为模型的输入，通过模型计算直接得到最终SVG参数的辨识结果。