1.一种基于实测数据的分布式电源封波特性参数辨识方法，其特征在于，包括：获取n组用于辨识待辨识参数的实测数据；根据改进卷积神经网络辨识所述实测数据，得到参数辨识初步结果，其中，所述改进卷积神经网络中包含自适应边缘填充Full卷积和Valid卷积，所述改进卷积神经网络的结构包括：输入层：收集数据，数据预处理以及转换成图片；第一卷积层：引入自适应边缘填充机制，在卷积过程中，根据边缘像素的邻域特征动态调整填充值；池化层：对处理后的图像进行下采样，从特征映射的区域中获取最大值；第二卷积层，在卷积过程中，不对输入数据周围进行的零值填充，使用预设尺寸的卷积核进行多次卷积，对局部特征进行强化，同时缩小输出特征图的尺寸；全连接层：采用softmax全连接，得到的激活值即卷积神经网络提取到的图片特征；输出层：输出多卷积层混合卷积神经网络算法计算的最终结果；所述自适应边缘填充Full卷积包括：提取原始输入图像；使用传统卷积层对输入图像进行初步卷积操作，提取基本的边缘特征；初步提取边缘特征图；使用傅里叶变换方法对边缘特征图进行频率分析，确定不同区域的频率特性；根据频率分析结果，对不同区域应用不同的填充策略，其中，所述填充策略包括：对于高频区域，采用预设的填充值，以保留细节信息，对于低频区域，增加填充值，以平滑特征；输出经过自适应填充后的特征图；将n组参数初步辨识结果输入PSASP软件中B类分布式电源单机并网模型，测量每组辨识结果在各工况下的电气量，筛选n组电气量的加权平均偏差相对误差最小值作为最终的参数辨识结果。
2.根据权利要求1所述的一种基于实测数据的分布式电源封波特性参数辨识方法，其特征在于，在获取n组用于辨识待辨识参数的实测数据之前，所述方法还包括：选取光伏逆变器的有功响应特性的暂态数据作为封波持续时间、封波后有功电流恢复斜率的观测量，选取光伏逆变器的无功响应特性的暂态数据作为封波后无功电流恢复斜率的观测量；设置n组测试工况，并确定测试点为交流侧并网点，由n组测试工况和所述测试点组成n组测试方案，其中，任意一组测试工况包括：电压扰动幅值、持续时间、有功功率指令和无功功率指令。
3.根据权利要求1所述的一种基于实测数据的分布式电源封波特性参数辨识方法，其特征在于，所述获取n组用于辨识待辨识参数的实测数据包括：设置测试平台中光伏逆变器的初始有功功率和无功功率，根据任意一组测试工况中的电压扰动幅值和持续时间设置测试平台中交流侧电网模拟器的电压扰动参数，给测试平台中的光伏逆变器提供相应的电压扰动，使得所述测试平台能进行暂态仿真测试；待所述测试平台仿真结束并进入稳定运行状态后，记录交流侧电气数据并作为一组实测数据，累积得到n组实测数据；所述实测数据包括：有功功率、无功功率、无功电流、总电流以及电网电压的基波电压。
4.根据权利要求1所述的一种基于实测数据的分布式电源封波特性参数辨识方法，其特征在于，所述Valid卷积包括：提取原始输入图像；通过多层Valid卷积，逐步提取图像的高级特征，最终通过全连接层进行分类，其中，Valid卷积选择预设尺寸的卷积核，步长设置为1；输出经过Valid卷积的特征图。
5.根据权利要求1所述的一种基于实测数据的分布式电源封波特性参数辨识方法，其特征在于，所述根据改进卷积神经网络辨识所述实测数据，得到参数辨识初步结果包括：分析实测数据中的电网电压的基波电压，提取扰动实验的电压跌落深度和电压跌落起始时间；根据所提取的扰动实验的电压跌落深度和电压跌落起始时间修改B类分布式电源单机并网模型对应的参数，同时设置B类分布式电源单机并网模型中光伏逆变器的控制参数，搭建辨识所需的B类分布式电源单机并网模型；将所述B类分布式电源单机并网模型中光伏逆变器的出厂值作为改进卷积神经网络的迭代初始值；利用改进卷积神经网络对实测数据进行初步辨识，得到封波持续时间、封波后有功电流恢复斜率、封波后无功电流恢复斜率的参数辨识初步结果。
6.根据权利要求1所述的一种基于实测数据的分布式电源封波特性参数辨识方法，其特征在于，所述将n组参数初步辨识结果输入PSASP软件中B类分布式电源单机并网模型，测量每组辨识结果在各工况下的电气量，筛选n组电气量的加权平均偏差相对误差最小值作为最终的参数辨识结果包括：将n组参数初步辨识结果填入PSASP软件中B类分布式电源单机并网模型，运行PSASP仿真软件，测试每组模型在对应工况下的暂态仿真结果，记录每组模型在各个工况下的有功功率与无功功率暂态稳定值；计算每一组实测数据和其对应模型的有功功率与无功功率的加权平均偏差以及加权平均偏差的相对误差，并选择相对误差最小的一组实测数据所对应的参数初步辨识结果作为最终的参数辨识结果。
7.一种基于实测数据的分布式电源封波特性参数辨识系统，其特征在于，包括：获取模块，配置为获取n组用于辨识待辨识参数的实测数据；辨识模块，配置为根据改进卷积神经网络辨识所述实测数据，得到参数辨识初步结果，其中，所述改进卷积神经网络中包含自适应边缘填充Full卷积和Valid卷积，所述改进卷积神经网络的结构包括：输入层：收集数据，数据预处理以及转换成图片；第一卷积层：引入自适应边缘填充机制，在卷积过程中，根据边缘像素的邻域特征动态调整填充值；池化层：对处理后的图像进行下采样，从特征映射的区域中获取最大值；第二卷积层，在卷积过程中，不对输入数据周围进行的零值填充，使用预设尺寸的卷积核进行多次卷积，对局部特征进行强化，同时缩小输出特征图的尺寸；全连接层：采用softmax全连接，得到的激活值即卷积神经网络提取到的图片特征；输出层：输出多卷积层混合卷积神经网络算法计算的最终结果；所述自适应边缘填充Full卷积包括：提取原始输入图像；使用传统卷积层对输入图像进行初步卷积操作，提取基本的边缘特征；初步提取边缘特征图；使用傅里叶变换方法对边缘特征图进行频率分析，确定不同区域的频率特性；根据频率分析结果，对不同区域应用不同的填充策略，其中，所述填充策略包括：对于高频区域，采用预设的填充值，以保留细节信息，对于低频区域，增加填充值，以平滑特征；输出经过自适应填充后的特征图；筛选模块，配置为将n组参数初步辨识结果输入PSASP软件中B类分布式电源单机并网模型，测量每组辨识结果在各工况下的电气量，筛选n组电气量的加权平均偏差相对误差最小值作为最终的参数辨识结果。
