电力系统谐波检测的现状与发展
（2）基于自适应神经网络和基于多层前馈网络的两种谐波测量方法
［9］ 基于自适应神经网络（ANN）的波测量方法采用了ADLINE输入矩阵，x（t）＝［sin（ωt），cos（ωt），sin（2ωt），cos（2ωt），…，sin（nωt），cos（nωt）］。并采用了2种在线训练权值的算法，其一是Widrow-Hoff
[18]算法，其二采用最小均方（LMS）算法，并分别从收敛速度、精度和自适应能力方面，通过仿真对这2种算法进行了比较，基于ANN自适应的谐波测量方法对于不确定的谐波进行跟踪测量来说是一种好方法。在基于多层前馈网络的谐波测量中，构建多个结构类似的MLFNN，有多少待测量谐波，就对应多少个MLFNN。利用离散的采样点来测量初相角，然后再对谐波的幅值进行在线和离线训练，实时性和精度上较好，仿真结果表明，幅值精度可达到10
－3。对于确定的电力电子装置，若采用这种方法，实时性和精度上容易满足。
（3）引入惯性系数的神经网络方法
［10］ 对传统的神经网络法进行了改进，提高了人工神经元自适应的学习率，并采用前K次采样值，用于检测畸变电流中的谐波电流。其中神经元学习采用LMS算法，通过误差e来调节权值，相应的修正权值公式：
采用数字方式实现算法，仿真实验结果证明了本方法的有效性、正确性和实用性。
5 小波分析方法
小波分析方法具有多尺度分析和时－频局部化特性，
特别适用于边缘和峰值突变信号的处理和特征抽取，适合作为谐波检测和分析。
（1）基于小波包的算法
可以用于大型变压器励磁涌流波形的识别［11］，本方法引入短数据窗对采样数据进行分析，具有良好的实时性。通过把小波变换应用于变压器差动保护的间断角测量，实现了小波变换局部极大值测量间断角。计算机仿真表明，本方法算法简单，抗干扰能力强，测量精度高，可使间距误差达到0．003 1 s，间断角误差为7．5°，是比较小的。可降低间断角微机保护的成本，有助于加速变压器差动保护微机化的进程。
（2）正交小波变换分析［12］
用“周期小波变换”精确地分解出基波及谐波信号，然后在原始信号中减掉周期信号后，用平滑延拓进行小波分解。在小波包分解过程中采用代价函数决定最优分解二*树。一旦发现某个节点的cos t＝0，就不再对此节点进一步分解。设ξ为门槛值，代价函数定义如下：
用“周期小波变换”在处理高次谐波暂态过程时在边缘处有混频现象。由于电力信号的高次谐波所占比例较小，实际计算结果能够满足工程需要。本算法能够广泛应用于大型钢铁企业及电力机车供电系统的谐波分析。
（3）离散和连续小波包结合的方法［13］
使用离散小波包变换的滤波器组将波形频谱分解成子波段，然后用连续小波变换估计非零子波段的谐波内容，可以同时检测识别所有谐波中包括整次、非整次和分谐波。该方法能精确量化谐波的频率、幅值和相位。在澳洲西部系统中证明了该方法对波形合成和波形测量都是非常有效的。
（4）基于小波变换的用KALMAN滤波［14］
利用本方法建立一个在线跟踪检测电源系统谐波的新模型，以小波和多尺度分析的紧密联系来表示小波比例函数之和的谐波幅值和相位角。这个模型可通过求解小波比例函数的系数直接估计出谐波幅值和相位角。这个模型是结合了KALMAN滤波技术来开展在线谐波跟踪方法的。仿真表明本模型比传统的模型有更好的跟踪能力。
