재생 에너지 시스템과 전력화된 운송 수단은 최근 몇 년 동안 폭넓게 채택되었습니다. 그러나 전기차(EV) 충전으로 인해 지배되는 이러한 비선형 부하의 통합은 전력망에 심각한 고조파 왜곡을 유발하여 배전 네트워크 내 변전소 장비와 개폐기의 효율성 및 수명에 영향을 미치고 있습니다. 따라서 신속하고 정밀한 하모닉 분석이 주입원에서의 효과적인 하모닉 제어를 위한 필수 전제 조건이 되었습니다. 본 논문은 분산 적응 하모닉 추정을 위한 효율적인 광범위 학습(Efficient Broad Learning, EBL) 프레임워크를 제안합니다. 이는 BLS 스타일의 하모닉 추정을 위한 양자화된 FPGA 가속 프레임워크로서, 반주기 입력으로 높은 정확도의 추정치를 제공하며, FPGA 구현을 통해 재구성 가능한 유연성을 갖추고 초저지연성을 달성하여 기존 보고된 FPGA 방식보다 17.4배 빠른 예측 속도를 보여줍니다. 다중 시나리오 충전 및 방전 노드에 걸친 하모닉 예측에서, EBL은 역전파(backpropagation)가 아닌 폐쇄형 해법(closed-form solution)을 기반으로 하는 온라인 전이 학습(online transfer learning)을 통해 빠른 적응성을 입증합니다. 맞춤형 양자화와 희소성(sparsity)을 활용함으로써, 이 접근 방식은 최첨단 FPGA 가속 추정기가 요구하는 LUT의 약 82%만을 사용하며 Zynq Ultrascale+ ZU7EV FPGA의 5.9%만 소비합니다.