微網為新能源及可再生能源分布式發電規?；瘧锰峁┝擞行У募夹g途徑，為滿足智能電網對分布式發電的并網運行要求提供了技術保障。但由于分布式電源和非線性波動性負荷的種類復雜多樣，特別是風力發電、光伏發電輸出功率的波動性、隨機性、間歇性特點，常常導致微網內的電源與負荷之間功率難以平衡。另外，逆變器、固態開關等電力電子設備大量使用也導致微網中的電能質量問題更為復雜。因此，開展微網中的電能質量研究具有非常重要的意義。
電能質量治理的前提是對電能質量擾動量的準確、快速檢測。微網的電能質量問題主要包括：電壓與電流諧波、電壓暫降、電壓突升、電壓短時中斷、電壓波動與閃變、電壓與電流不平衡分量等。微網中的諧波與間諧波具有豐富的頻譜特性，同時電壓波動與閃變信號也是隨機的、動態的非平穩信號。對于微網中的電能質量擾動量檢測，需要一種既可以分析諧波與間諧波信號，又可以分析非線性、非平穩信號的檢測方法。Hilbert-Huang變換（HHT）是一種自適應的時頻分析方法，它能根據信號自身的特性對信號進行自適應分解，從而實現電能質量擾動特征的自動提取，在處理非線性、非平穩信號分析方面有很大優勢。與傅里葉變換相比，HHT變換可以分析非平穩和非周期性信號；與小波變換相比，HHT變換不僅具有小波變換的優勢，同時也不存在基函數的選擇問題。因此，本文提出采用改進HHT變換的方法對微網中的電能質量擾動量進行檢測。
2、如何改進HHT變換來抑制端點效應？
HHT變換包括經驗模態分解（EMD)和Hilbert變換（HT）。通過EMD，可以把一個非線性、非平穩序列分解為有限個固有模態函數(IMF)和一個趨勢項，這個過程稱為EMD篩選過程。分解得到的IMF分量必須滿足以下2個條件：
1）其過零點和極值點的數目必須相等或者最多相差一個；
2）連接局部極大值所形成的上包絡線和連接局部極小值所形成的下包絡線的平均值在任一點處都為零。
對每一個IMF分量作HT變換，求取瞬時頻率和瞬時振幅，可獲知信號蘊含的不同時間尺度的振蕩特征。在EMD和HT變換中，兩個過程中信號失真的疊加會造成HHT變換的端點部分無法正確反映信號所包含的信息，形成端點效應。為了提高HHT變換在電能質量擾動量檢測中的精確性，本文提出自適應波形匹配延拓方法來解決HHT變換中的端點效應問題。
自適應波形匹配延拓法的基本思想是：假設在信號內會重復出現類似波形，在信號波形中尋找與邊界最匹配的三角波形，再根據匹配波形的局部值來預測信號邊界處的局部值，最大限度地維護原始信號的自然變化趨勢并實現延拓波形與原始信號的光滑過渡。而對內在規律較弱、邊界數據變化異常的信號可以只利用邊界處極值點進行預測。當電能質量發生擾動時，一般會持續一定的時間，所以在電能質量信號內部包含端點處的電能質量擾動量信息，這一特點滿足自適應波形匹配延拓假設。因此，采用自適應波形匹配延拓的HHT變換更適用于電能質量擾動檢測。
3、如何應用改進HHT變換來檢測微網電能質量？
應用基于人工神經網絡與鏡像延拓的改進HHT方法和基于改進自適應波形匹配延拓的改進HHT方法分別分別對電壓暫降、整數次諧波、間諧波、和電壓波動與閃變進行檢測，檢測結果分別如圖1-4所示。
從圖1中可以看出，電壓暫降發生的起止時間分別為0.15s和0.35s，電壓暫降發生時，電壓擾動幅值為0.3，并且兩種方法都可以改善端點效應。基于人工神經網絡和鏡像延拓的改進HHT方法的幅值誤差率、頻率誤差率和耗時分別為2.21%，2.02%和0.1037s。基于自適應波形匹配延拓的改進HHT方法的幅值誤差率、頻率誤差率和耗時分別為1.23%，0.71%和0.0450s?？梢缘玫接谧赃m應波形匹配延拓的改進HHT與于自適應波形匹配延拓的改進HHT相比較，幅值精度提高、頻率精度提高和耗時的減少分別為0.98%，1.31%和0.0587s?？梢?，改進HHT變換能夠更加精確地檢測微網中的電壓暫降的檢測。
從圖2中可以看出2種方法都可以改善端點效應?；谌斯ど窠浘W絡和鏡像延拓的改進HHT方法的幅值誤差率和頻率誤差率分別為1.22%(5th)，0.95%(7th)和0.21%(5th)，0.14%(7th)，耗時0.0986s?；谧赃m應波形匹配延拓的改進HHT方法的幅值誤差率和頻率誤差率分別為0.33%(5th)，0.11%(7th)和0.04%(5th)，0.03%(7th)，耗時0.0413s。可以得到于自適應波形匹配延拓的改進HHT與于自適應波形匹配延拓的改進HHT相比較，幅值精度提高和頻率精度提高分別為0.89%(5th)，0.84%(7th)和0.17%(5th)，0.11%(7th)，耗時的減少為0.0573s。可見，改進HHT方法能夠能精確地檢測出微網中的整數次諧波。