1.一种对静止无功发生器的参数进行识别的方法，其特征在于，所述方法包括：
根据风电场的静止无功发生器的动态运动特性，建立所述静止无功发生器的多个数学模型，并确定所述多个数学模型中待识别的参数；
根据所述多个数学模型中待识别的参数随风速波动的变化特性，对所述多个数学模型进行分类，并确定多方式混合识别算法的参数的初始值；
根据功率加权法，确定所述多方式混合识别算法的目标函数，通过差分算法反复迭代对所述参数初始值进行修正；以及
对修正后的参数初始值进行识别，确定识别结果。
2.根据权利要求1所述的方法，其特征在于，根据风电场的静止无功发生器的动态运动特性，建立所述静止无功发生器的多个数学模型，包括：
根据风电场的静止无功发生器的动态运动特性，建立直流电压外环的线性控制器模型；
根据风电场的静止无功发生器的动态运动特性，建立并网电压外环的线性控制器模型；以及
根据风电场的静止无功发生器的动态运动特性，建立电流内环的线性控制器模型。
3.根据权利要求2所述的方法，其特征在于，所述数学模型中待识别的参数，包括：
所述直流电压外环的线性控制器模型的比例、所述直流电压外环的线性控制器模型的积分系数、所述并网电压外环的线性控制器模型的比例、所述并网电压外环的线性控制器模型的积分系数、所述电流内环的线性控制器模型的比例、所述电流内环的线性控制器模型的积分系数以及所述静止无功发生器的线路电感。
4.根据权利要求1所述的方法，其特征在于，根据所述多个数学模型中待识别的参数随风速波动的变化特性，对所述多个数学模型进行分类，并确定多方式混合识别算法的参数的初始值，包括：
根据所述多个数学模型的参数随风速波动的变化规律，将所述静止无功发生器的多个数学模型划分为低风速模型以及全风速模型；以及
对所述低风速模型以及所述高风速模型的参数进行识别；
其中所述低风速模型和所述高风速模型属于全风速模型，所述低风速模型用于表征风电场中风速在6m/s-8m/s之间随机波动，所述高风速模型用于表征风电场中风速在9m/s-12m/s之间随机波动，所述全风速模型用于表征风电场中风速在6m/s-12m/s之间随机波动。
5.根据权利要求4所述的方法，其特征在于，根据所述多个数学模型中待识别的参数随风速波动的变化特性，对所述多个数学模型进行分类，并确定多方式混合识别算法的参数的初始值，还包括：
对所述低风速模型和所述高风速模型的参数的灵敏度进行分析；
选取与所述低风速模型相关的多个直流电压外环的线性控制器模型的比例、多个直流电压外环的线性控制器模型的积分系数以及多个电流内环的线性控制器模型的比例；
选取与所述高风速模型相关的多个并网电压外环的线性控制器模型的比例、多个并网电压外环的线性控制器模型的积分系数、多个电流内环的线性控制器模型的积分系数以及多个静止无功发生器的线路电感；以及
将与所述低风速模型相关的多个多个直流电压外环的线性控制器模型的比例、多个直流电压外环的线性控制器模型的积分系数以及多个电流内环的线性控制器模型的比例、与所述高风速模型相关的多个并网电压外环的线性控制器模型的比例、多个并网电压外环的线性控制器模型的积分系数、多个电流内环的线性控制器模型的积分系数以及多个静止无功发生器的线路电感确定为多方式混合识别算法的参数初值。
6.根据权利要求1所述的方法，其特征在于，根据功率加权法，确定所述多方式混合识别算法的目标函数，通过差分算法反复迭代对所述参数初始值进行修正，包括：
根据有功功率和无功功率的相关参数的灵敏度占比，对所述多方式混合算法的目标函数进行加权优化配比。
7.根据权利要求6所述的方法，其特征在于，根据有功功率和无功功率的相关参数的灵敏度占比，对所述多方式混合算法的目标函数进行加权优化配比，包括：
在全风速模型下，根据多个直流电压外环的线性控制器模型的比例、多个直流电压外环的线性控制器模型的积分系数、多个电流内环的线性控制器模型的积分系数以及多个静止无功发生器的线路电感，确定多个无功功率的直流电压外环的线性控制器模型的比例的平均灵敏度、多个无功功率的直流电压外环的线性控制器模型的积分系数的平均灵敏度、多个无功功率的电流内环的线性控制器模型的积分系数的平均灵敏度以及多个无功功率的静止无功发生器的线路电感的平均灵敏度；以及
根据多个无功功率的直流电压外环的线性控制器模型的比例的平均灵敏度、多个无功功率的直流电压外环的线性控制器模型的积分系数的平均灵敏度、多个无功功率的电流内环的线性控制器模型的积分系数的平均灵敏度以及多个无功功率的静止无功发生器的线路电感的平均灵敏度，确定第一平均灵敏度之和。
8.根据权利要求6所述的方法，其特征在于，根据有功功率和无功功率的相关参数的灵敏度占比，对所述多方式混合算法的目标函数进行加权优化配比，还包括：
在全风速模型下，根据多个并网电压外环的线性控制器模型的比例、多个并网电压外环的线性控制器模型的积分系数以及多个电流内环的线性控制器模型的比例，确定多个有功功率的并网电压外环的线性控制器模型的比例的平均灵敏度、多个有功功率的并网电压外环的线性控制器模型的积分系数的平均灵敏度以及多个有功功率的电流内环的线性控制器模型的比例的平均灵敏度；以及
根据多个有功功率的并网电压外环的线性控制器模型的比例的平均灵敏度、多个有功功率的并网电压外环的线性控制器模型的积分系数的平均灵敏度以及多个有功功率的电流内环的线性控制器模型的比例的平均灵敏度，确定第二平均灵敏度之和。
9.根据权利要求6所述的方法，其特征在于，根据有功功率和无功功率的相关参数的灵敏度占比，对所述多方式混合算法的目标函数进行加权优化配比，还包括：
根据第一平均灵敏度之和以及第二平均灵敏度之和，确定无功功率的加权系数以及有功功率的加权系数。
10.根据权利要求9所述的方法，其特征在于，根据功率加权法，确定所述多方式混合识别算法的目标函数，通过差分算法反复迭代对所述参数初始值进行修正，还包括：
根据所述无功功率的加权系数以及有功功率的加权系数，确定目标函数；以及
根据所述目标函数，通过差分算法反复迭代对所述参数始初值进行修正。
11.一种对静止无功发生器的参数进行识别的系统，其特征在于，包括：
建立模块，用于根据风电场的静止无功发生器的动态运动特性，建立所述静止无功发生器的多个数学模型，并确定所述多个数学模型中待识别的参数；
分类模块，用于根据所述多个数学模型中待识别的参数随风速波动的变化特性，对所述多个数学模型进行分类，并确定多方式混合识别算法的参数的初始值；
修正模块，用于根据功率加权法，确定所述多方式混合识别算法的目标函数，通过差分算法反复迭代对所述参数初始值进行修正；以及
识别模块，用于对修正后的参数初始值进行识别，确定识别结果。