1.基于参数故障特性的SVG动态参数分段优化辨识方法，其特征在于，所述方法包括以下步骤：

步骤(1)建立与SVG实测曲线运行环境相同的SVG接入单机无穷大系统的等值数学模型；

步骤(2)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(3)分析筛选出的各个参数对于故障特性的影响；

步骤(4)根据参数对故障特性的影响，使用网格搜索法对各参数进行分段初步辨识，缩小参数范围；

步骤(5)初步辨识后，缩小参数范围，使用粒子群算法对参数进行精确辨识，得到最优参数辨识结果。

2.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法，其特征在于：分析筛选出的各个参数对于故障特性的影响，具体为：分别针对参加辨识的每个参数，确定参数上下限及步长，参数从下限开始，每次按固定步长增加，直至上限，记录每一次参数增加时，输出无功功率曲线和电流曲线的变化，对比各无功曲线和电流曲线在参数变化时的变化情况，观察每个参数主要影响的是曲线哪一个分段，探究各个参数对故障特性的影响，确定分别使用仿真结果曲线的哪一段值来辨识各参数；通过分析参数对故障特性的影响，有针对性的取出曲线的某段进行参数辨识，提高辨识精度。

3.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法，其特征在于：所述的使用网格搜索法，具体为：将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”，然后对各组合进行表现评估，找到最佳参数组合；采用网格搜索的方法，确定参数范围及步长后，计算选定参数在不同取值时仿真曲线与实测曲线的分段曲线误差，能够使得计算误差最小的参数值即是初步辨识结果，通过初步辨识结果得到精确辨识的参数范围。

4.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法，其特征在于：所述的分段初步辨识，具体为：选定曲线不同分段来辨识各参数；采用的目标函数为：RTDS实测无功和BPA仿真无功的误差平方函数：

式中，EZ为误差计算结果t0和t1为计算误差的起始时间和结束时间，Qbase为实测的RTDS无功数据，Qtest为仿真的BPA无功数据。

5.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法，其特征在于：SVG实测曲线为RTDS实测曲线，所使用的仿真工具PSD‑BPA。

6.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法，其特征在于：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：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，N为采样点个数，Q0,I0,U0分别为参数取初始值时得到的无功值、电流值、电压值，Q1,I1,U1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。

7.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法，其特征在于：所述的初步辨识后，缩小参数范围，使用粒子群算法对参数进行精确辨识，具体为：初步辨识参数后，以初步辨识参数的0.9到1.1作为第二次辨识的参数范围，选择辨识参数个数，再使用粒子群算法，对筛选及初始辨识后通过辨识的参数进行综合辨识。