基于fft的电力系统谐波检测方法综述

《基于fft的电力系统谐波检测方法综述》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于FFT的电力系统谐波检测方法综述摘要：随着我国电网规模的日益扩大，各种非线性用电设备的迅速增加，电网的谐波污染也逐渐严重，如何快速有效地检测和分析网络中的谐波成分是一个大家非常关心的问题。该文介绍了当前电力系统中检测和分析谐波的几种常用方法，比较各种方法在运算速度和精确度方面的优劣以及它们的适用条件，对实际中应用最广泛的基于傅里叶变换的谐波分析方法重点做了研究，阐明了基于傅里叶变换的谐波分析方法存在的问题以及各种在其基础上提高运算精度的改进方法。探讨了电力系统谐波检测分析方法的发展趋势和近年来出现的新方法、新思路。中国8/

2、vie　　关键词：谐波分析FFTHanning窗插值算法神经网络　　中图分类号：TM93文献标识码：A：1672-3791（2017）02（b）-0049-06　　早在19世纪末期的时候人们就发现了电压、电流的畸变问题，但电力系统的谐波问题真正引起人们的广泛关注是在20世纪初。20世纪70年代以来谐波污染日益严重，国际社会和学术组织开始商讨制定有关限制谐波的标准和规定。我国的谐波研究起步较晚，但是我国近些年的电网发展速度很快，各种大功率电力电子设备的大量应用、高压直流输电的发展、风电并网以及电气化铁路的快速建设等都引起电网谐波

3、含量的增加，使得电网波形的畸变更严重，给电网的安全稳定运行带了极大影响。如何能够把谐波污染最大限度地减少，是电力行业和电力电子领域关心的问题，而这一问题的解决首先在于精确地分析谐波的频率、幅值和相位。可见谐波检测和分析的重要性。　　1电力系统谐波分析的常用方法　　1.1采用模拟滤波器硬件电路检测谐波的方法　　这是最早的谐波测量手段，其装置构成如图1所示，输入信号放大之后送入并行连接的若干组带通滤波器，每个滤波器的中心频率都是固定的以通过特定频率的谐波，再经过检波器送到多路显示器[1]。这样就得到了输入信号中的谐波成分及其幅值。

4、这种用模拟滤波器硬件电路检测谐波的方法，原理直观明了，成本也很低，但是其测量精度依赖于滤波器的元件参数，受外界环境影响较大，所得结果不是很理想，并逐渐被数字电路代替。但其检测原理却是最基本的，以后更先进的方法也是基于“分解原始信号――提取特征信息”这一基本思路。　　1.2基于Fryze传统功率定义的谐波检测方法　　该方法的基本原理是将负载电流分解为两个正交分量：一个是与电网电压波形完全一致的电流分量，称为有功电流分量；另一个是负载电流与有功电流的差值，包含无功电流和谐波电流，称为广义无功分量。该方法计算出广义无功电流瞬时值至少

5、要有一个周期以上的时间延迟，而且这种方法仅仅区分有功电流和广义无功电流，却无法将基波无功电流和谐波电流从基波电流中分离出来。对于需要将基波无功电流和谐波电流分离的场合，该方法无法应用。目前该方法在谐波精确分析方面应用较少。　　1.3基于瞬时无功功率的谐波检测方法　　20世纪80年代，日本学者基于时域提出了瞬时无功功率的理论，并在此基础上提出了两种计算谐波电流的方法，分别为p-q法和ip-iq法，定义ip和iq分别为瞬时有功功率电流和瞬时无功功率电流。这两种方法都是基于三相三线电路提出的，所以可以准确检测对称三相三线制电路的谐波

6、含量。在电网电压对称且无畸变的情况下，这两种方法的测量比较简单。对于单相电路，则必须构造基于瞬�r无功理论的单相电路检测电路[2-3]。　　文献[4]详细介绍了一种对传统ip-iq法的改进方法，称为电流平均值谐波检测方法，以克服基于传统ip-iq法的有源电力滤波器的检测系统跟踪时间太长、动态性能较差的缺点。它不使用传统滤波器，而是利用电流结构特点，由平均值原理得到与基波分量对应的直流量，具有较快的动态响应速度，对三相平衡负载的补偿时间仅为1/6个周期[24]。　　1.4自适应谐波检测方法　　20世纪70年代，WidroS）来优

7、化自适应算法，当权系数远离最佳权值时，选取较大的步长以加快对时变系统的跟踪速度；当权系数接近最佳权值时则选取较小的步长以保证较小的稳态误差。　　1.5基于神经网络理论的谐波检测方法　　在理论上，神经网络在提高计算能力、对任意连续函数的逼近能力、学习理论及动态网络稳定性分析等方面都取得了丰硕的成果[1]。近年来，国内外应用神经网络经行谐波检测的相关研究正迅速深入并取得了一些成果。利用神经网络的自学习、强鲁棒性、精确可靠、在理论上可以实现任意非线性映射等优点来提高谐波检测的实时性和分析精度具有良好的应用前景[4]。　　但是构建的神

8、经网络需要时间来训练样本、神经网络的构造方法缺乏统一规范、训练样本的数量庞大等都是应用中遇到的问题。当前应用到电力系统谐波分析中的人工神经网络模型有两种，分别是多层前馈自适应人工神经网络模型和自适应线性人工神经网络模型[6-7]。　　文献[8]针对实际中非同步采样、非整周期截