在十四五规划和“碳中和”战略的引领下,清洁能源发电比重将会保持逐年提升。针对含大规模新能源的电力系统,对其进行完整的电磁暂态仿真建模耗时费力,而采用动态等值技术有效地化简电力系统规模,这是对大系统进行安全稳定分析行之有效的方法。发电机聚合等值是动态等值的核心环节,狭义是指同步发电机进行同调分组后再进行参数聚合,从而获得等值机模型及其参数。然而,在风电得到迅猛发展的背景下,传统的以同步发电机为核心的等值也迫切需要增加新的内容,从而适应电源侧的发展趋势。数据驱动理念为解决发电机等值提供了新思路,即不再依赖于建立详细的物理模型,通过数据挖掘,利用深度学习算法和数据分析方法构建等值模型来逼近真实模型。基于上述理念,本文拓展了传统发电机等值方法框架,从分组和参数聚合两个环节展开同步发电机和风力机组的等值研究。本文基于上述研究思路,主要完成了下述工作:（一）提出了基于数据驱动的同步发电机三阶段分群方法。首先,充分挖掘历史运行数据获取实际电网拓扑信息,快速实现发电机同调预分组。然后提出了基于卷积神经网络的发电机二次分组方法,以故障下机端信息为输入特征,来训练CNN分组模型。训练后的CNN模型可用于预测发电机分组。最后利用K-means算法将剩余发电机进行聚类。所得的方法提高了实际电网中同步发电机同调分组效率与准确性,合理的分组结果为后续发电机参数聚合及动态等值的网络化简打下了坚实基础。（二）提出了基于时域的电磁回路参数辨识方法及控制器交替寻优方法。本文在上述分组的基础上对等值机电磁回路提出了基于时域的参数辨识方法,以边界节点的输入输出一致性为辨识目标,该方法能较好地维持边界节点特性,满足动态等值要求。同时,本文对等值机控制器参数聚合提出了灵敏参数与非灵敏参数交替寻优的聚合方法。先对灵敏参数利用改进的粒子群优化算法进行寻优,再对非灵敏参数进行寻优。所得控制器参数较全参数频域寻优有更高的精度,更好的保持了原系统的动态特性。（三）提出了基于等效功角和功率权重的双馈风电场等值方法。本文对双馈风电场的分群提出了基于等效功角的数据分析方法,以等效功角的相似度作为分群依据。等效功角能表征双馈风力发电机的动态特性,可用作同调判据。提出了基于Prony算法来量化各风电场的等效功角数值并用于分组。最后对等值风机参数聚合提出了基于功率加权的算法,能有效地保持大机组动态特性,与原系统特性更为贴近。最后,以实际南方电网数据为例,运用上述方法对电力系统中所有同步发电机及风电场完成等值,与传统发电机等值方法进行了对比验证了本文所提方法的有效性和准确性,解决了同步发电机、风力发电机的分组和参数聚合工作中严重依赖物理模型、耗时较长及精度不高等问题,支撑了实际交直流电力系统的动态等值要求。