《Energies》：Harmonic Source Modeling Techniques for Wide-Area Distribution System Monitoring: A Systematic Review
John Sabelo Mahlalela,
Stefano Massucco,
Gabriele Mosaico and
Matteo Saviozzi
编辑推荐：
本文系统梳理了2000–2026年谐波源建模方法（含经典/解析、测量、数据驱动/AI及统计/概率），提出统一评估框架，指出测量法（D?PMU/H?PMU）最具实时潜力，物理+AI融合是未来方向。
引言：从“看不见”到“看得清”，现代电网的谐波挑战
随着光伏逆变器、电动汽车充电桩、变频驱动器（VSD）等换流器型设备的渗透率飙升，配电网正从“被动辐射状”向“主动双向”转变——但伴随而来的谐波失真，让电能质量监控面临新压力。所谓谐波源，本质是非线性负荷（如整流器、逆变器）在基波之上注入整数倍高频电流，导致电压畸变、设备过热甚至继电保护误动。更麻烦的是，现代分布式能源（DER）出力波动大，加上负荷随机性、网络重构频繁，谐波呈现“时变+随机”双重特征，传统基于固定参数的模型越来越力不从心。
国际标准（如IEEE 519?2022、IEC 61000?3?6）虽定义了公共连接点（PCC）的谐波限值，但现实中常因缺乏足够同步测量而难以厘清责任：是用户侧注入，还是电网背景谐波？若无法精准建模，滤波设计、责任分摊、实时预警都无从谈起。这篇综述正是要解决一个核心问题：如何把散落在文献里的各类谐波建模方法，放到“广域实时监测”的尺子上统一衡量，找出谁更适合落地？
研究路径：像做系统评价（PRISMA）一样“筛文献”
为保证严谨，作者团队遵循PRISMA 2020指南，锁定2000–2026年间Scopus、IEEE Xplore等五大数据库的128篇原创研究+11篇综述，用六维覆盖评分和成熟度指数“量化比较”——不只比算法精度，更比“能不能装到真实电网里”。潜在偏倚（如数据库选择偏倚、关键词召回不全）被坦诚标注，留一剔除法验证结论稳健。最终将方法归为四大家族：
- •
经典/解析法：靠电路方程和导纳矩阵算谐波潮流，物理可解释强；
- •
测量法：用同步谐波相量测量单元（D?PMU/H?PMU）直接观测；
- •
数据驱动/AI法：从数据学规律，突破复杂系统显式建模难；
- •
统计/概率法：用蒙特卡洛、随机过程描述不确定性。
四类方法的“能力地图”：谁强谁弱一目了然
1. 经典/解析法：根基稳，但难跟上变化
这是最成熟的“老地基”，代表如谐波诺顿等效（将非线性负荷等效为电流源并联阻抗）、频域导纳矩阵法、聚合负载模型（按居民/工业/农业分类）。其优势是物理透明，适合规划阶段验算PCC最坏场景。但短板也明显：依赖精确网络参数（实际常不准），节点多时矩阵求逆复杂度达O(n3)，难扩展到数千节点的广域网；对换流器控制策略、时变工况的适应性差，更像“离线基准工具”而非实时引擎。
2. 测量法：实时监测的“主力军”，但依赖硬件投入
D?PMU/H?PMU能以毫秒级分辨率提供同步谐波相量，大幅减少对先验模型的依赖。典型应用包括：基于多点测量的谐波状态估计（HSE）、分层监测架构（本地→区域→全网）、以及嵌入式算法直接在PMU固件完成初步定位。实测表明，这类方法能应对负荷突变、网络切换，接近“准实时”。不过瓶颈也很硬：现有部署稀疏且不均，很多优化布置方案只为状态估计设计，未必利于谐波溯源；高采样率数据对通信带宽、边缘计算资源要求高，老旧配网吃不消。
3. 数据驱动/AI法：成长最快，但需补“物理课”
从神经网络、支持向量机到物理信息神经网络（PINN），AI方法擅长处理高维异构数据（如融合AMI、SCADA、气象信息），实现快速推理与短期预测。例如用瞬态电流特征分解辨识负荷类型，或用时间?频率分析捕捉换流器触发角变化导致的时变谐波。然而，它们严重依赖训练数据质量——真值标签少、事件样本稀、跨电网泛化难，且“黑箱”特性让运维人员不敢全信。更关键的是，许多AI研究还在小规模仿真系统（如IEEE 13母线）验证，离千节点真实网差距大。
4. 统计/概率法：专治“不确定”，但算不动实时
面对DER和EV的随机性，这类方法用概率分布描述谐波发射（如95%分位值），适合评估长期合规风险。但蒙特卡洛模拟耗时长，难以满足秒级决策需求，更多作为辅助工具，为规划提供“置信区间”。
一张图看懂趋势：方法跑得快，落地没跟上
成熟度分析揭示出有趣现象：数据驱动法的增长最猛，但“验证真实感”偏低；经典法和测量法成熟度高，却受限于扩展性和基建；而“部署就绪度”在所有方向中都垫底——说明学界创新多，工业落地慢。
根本原因在于“结构性矛盾”：
- •
数据层：D?PMU覆盖不足，AMI/SCADA/D?PMU采样率从分钟到毫秒不等，融合难；
- •
算力层：全网谐波状态估计计算量大，边缘设备内存有限，深度学习模型难轻量化；
- •
责任分摊：叠加谐波难拆解，缺乏统一的责任指标（是按电流贡献、电压影响还是功率？），监管模糊。
合规视角：不同阶段需要不同的“工具箱”
- •
规划设计：用经典+概率法，验算IEEE 519/IEC 61000?3?6的最坏场景；
- •
运行评估：靠测量法（PQ录波器+D?PMU）统计EN 50160的95%分位值；
- •
实时监控：D?PMU+AI做秒级越限预警；
- •
责任认定：多点同步测量+HSE+AI辅助溯源。
未来路标：物理与AI握手，走向“可信任的智能监测”
针对现存缺口，作者提出优先方向：
- •
混合建模：物理方程约束AI，既保可解释性，又获数据灵活性；
- •
分层边缘架构：本地PMU做快判，区域中心做精修，减轻通信负担；
- •
针对性传感器布置：为谐波溯源而非仅状态估计优化D?PMU位置；
- •
标准化责任度量：统一“谁污染谁治理”的量化规则；
- •
大型现场试验：联合电网公司，在真实万节点级配网验证可扩展性。
结语：从“各自为战”到“协同作战”
这篇综述的价值，不仅在于把四类方法摆在一起比，更是指出：没有单一方法能包打天下。未来属于“测量底座+物理骨架+AI大脑+概率边界”的组合拳——用同步测量抓实时，用解析模型保物理合理，用AI提效率，用概率框定风险。只有当技术创新与部署需求对齐，配电网才能真正实现“谐波看得见、源头找得准、责任分得清”的广域智能监测。
