1、结合SE 技术的谐波源检测与识别方法

引入基于人工神经网络的方法(artificial neuralnetwork，ANN)目的是优化SE 等传统谐波源检测与识别方法，提高其性能。

由于谐波源的时变性，及其难以直接测量的特点，SE方法往往难以获取足够的预估值进行计算。而ANN 的自适应、自组织和模式识别能力可自动根据输入、输出值来识别其间的非线性关系——而这往往是难以定义或解释的，从而获取谐波源参数的初始值，并大大减少SE 方法所需要的检测设备的数量。Hartana 等人尝试将ANN 与SE 技术相结合进行谐波源的识别，一来减少检测设备，二来提高识别性能，三来优化负荷的功率因数[25-29]。在这种方法中，首先用ANN 获取复杂系统的谐波源预估值，然后用状态估计器计算来得到更接近真实值的结果。类似的，Pecharanin等人则将ANN 用于谐波源检测中。

但 ANN 自身的缺陷使其在谐波领域的应用会受到诸多的限制。如ANN 模型的建立需要预先提供大量的训练，包括全部谐波源电流可能的数值，这较难达到。同时，ANN 理论缺乏对变结构神经元网络的修正算法，而系统线路拓扑的变化会影响ANN的联接权矩阵，因此训练好的ANN 缺乏对电力网结构变化的适应能力。另外，多层ANN 网络的在寻求全局最优时的时延，及构建合适的网络结构(网络优化)等问题约束了ANN 在处理谐波源问题中的实用性。

2、基于级联相关网络的谐波源检测方法

针对ANN 的缺陷，基于级联相关网络(cascade correlation network，CCN)的新方法，其工作着眼点仍在于尽量减少谐波检测设备，及检测地点的优化配置上。与传统的ANN 不同，在CNN 网络中，训练过程和隐层节点数量的增减是独立的，从而使CNN 的结构得到有效控制，即能灵活的根据需要改变结构，并迅速形成接近最优的网络结构，克服了传统ANN 的缺陷。CNN 的引入使该方法能在少量检测设备和给定检测点的条件下有效工作。