电力系统谐波检测的现状与发展
（2）基波有功分量剔除法
［4］ 从傅里叶变换出发，通过检测负载电流基波有功分量来检测谐波和无功电流。有畸变电流：
其中：i
L（t）为单相电路中非线性负荷电流，i
fp为基波电流有功分量；A
1为基波有功分量幅值。
该方法由于算法简单、所用器件少、适时性较高，不仅能适用于单相电路，而且也适用于三相四线制电路。
3 基于瞬时无功功率理论的检测方法
瞬时无功功率理论解决了谐波和无功功率的瞬时检测及不用储能元件实现谐波和无功补偿等问题，对治理谐波和研发无功补偿装置等起到了很大的推动作用。
用Kaiser滑动时窗截取谐波电流信号［5］，通过对窗函数参数的选定，能实时检测出基波及各次谐波电流的正序和负序分量，尤其是对信号中谐波含有率较小的频率分量 有较高的检测精度。Kaiser窗函数的表达式为：
经过试验测量，选取β＝8时，对信号中谐波含有率较小的频率分量的检测精度可与日置公司的谐波分析仪HIOKI3193达到一致或更好的精度。实际应用中，优化选择窗谱的主瓣宽度和旁瓣衰减的比例，以获得最佳的检测效果。对该方法利用Matlab建立仿真模型，并以检测7次正序电流分量为例，在研制的30 kVA有源电力滤波器中验证了有效性和实时性。
（1）一种数字化的实时检测方法［6］
通过对影响谐波电流检测精度的因数进行分析，可以看出低通滤波器是影响计算精度的主要原因之一。本方法 用复化积分提高检测直流分量的计算精度，用Hamming窗消除直流分量检测过程产生的频谱泄漏。该方法不仅能实时提供有源电力滤波器所需的电流补偿指令信号，还能以较高的精度检测基波和各次谐波电流的正序及负序分量有效值。仿真结果证明了该方法的正确性，并且检测精度可达0．3％以内，在研制的30 kVA有源电力滤波器中得到了成功的应用。该方法特别适合在DSP编程实现，不仅能提供APF所需的电流补偿指令信号，还能以较高的精度计算谐波电流的正序和负序分量有效值。该方法也同样适用于谐波电压检测。
（2）基于广义瞬时电流的方法［7］
在三相四线制系统下，考虑零序电流分量的存在，选择并给出了αβO坐标系下广义瞬时电流的定义：
假设三相四线制电路中三相电压对称，将瞬时无功功率的补偿转换成对瞬时无功电流的补偿。将iαβO的瞬时有功电流分解成基波瞬时有功功率和包含因不对称引起的零序电流瞬时有功功率及高次谐波瞬时有功功率分量在内的电流两部分。并给出了该系统下谐波电流和无功功率补偿电路，基于此电路的仿真结果表明，该补偿方法能有效消除电流谐波及无功功率。
4 基于神经网络的检测方法
将神经网络应用于谐波测量，主要涉及网络构建、样本的确定和算法的选择，目前已有一些研究成果。人工神经网络（ANN）具有人脑的某些功能特征，可以用来解决模式识别与人工智能中用传统方法难以解决的问题。[FS:PAGE]
（1）径向基函数神经网络的谐波测量［8］
径向基函数神经网络（RBFNN，RadialBasisFunctionNeuralNetwork）是一种三层静态前向网络，第一层为输入层，由信号源结点构成；第二层为隐含层，其单元数视所描述问题的需要而定；第三层为输出层，他对输入模式的作用做出响应。用他来测量谐波分量的基本思路是，神经网络的输入为待测信号，输出为检波器输出的信号，从而得出所要测量的各次谐波信号的幅值。文中论述了通过在线分配隐单元，动态建立隐层空间的变结构的学习和训练算法，并根据电力系统中谐波的一些特点来形成训练样本集，最终实现用RBF网络测量谐波中的高次谐波分量的幅值。
