3．3 基于小波变换的检测方法
作为调和分析的工作结晶，小波分析正成为近年来研究的热门领域，广泛应用于信号处理、语音识别与合成、机器视觉、机械故障诊断与监控等科技领域，它可以用来替换传统使用傅里叶分析的地方，在时域和频域同时具有良好的局部化性质，克服了傅里叶变换在非稳态信号分析方面的缺点，尤其适合突变信号的分析与处理。由于小波分析能计算出某一特定时间的频率分布并把各种不同频率组成的频谱信号分解为不同频率的信号块，因此可以通过小波变换来较准确地求出基波电流，最终得到谐波分量。当前小波分析在谐波检测中的应用研究成果主要有：
(1)基于小波变换的多分辨分析。把信号分解成不同的频率块，低频段上的结果看成基波分量，高频段为各次谐波，利用软件检测、跟踪谐波变化。
(2)将小波变换和最小二乘法相结合来代替基于卡尔曼滤波的时变谐波跟踪方法，它将各次谐波的时变幅值投影到正交小波基张成的子空间，然后利用最小二乘法估计其小波系数，将时变谐波的幅值估计问题转换成常系数估计问题，以达到较快的跟踪速度。
(3)利用小波变换的小波包具有将频率空间进一步细分的特性，以及电力系统中产生的高次谐波投影到不同的尺度上，会明显地表现出高频、奇异高次谐波信号的特性进行谐波分析。
(4)通过对含有谐波信号进行正交小波分解，分析原信号的各个尺度的分解结果，达到检测各种谐波分量的目的，从而具有快速的跟踪速度。
小波变换的理论和应用研究时间还不长，在谐波测量方面仍然存在着诸多不完善的地方，在实际现场中的应用尚有待进一步研究。
3．4 基于神经网络的检测方法
人工神经网络技术自从面世后发展非常迅速，并且随着神经网络的发展，在电力系统中的应用也日益深入，如负荷预测、优化调度、谐波检测与预测等，并在工程应用上取得一些较好成效。基于神经网络的检测方法主要涉及模型的构建、样本的确定和算法的选择，利用神经网络实现谐波和无功电流的检测对周期性及非周期性电流都具有良好的快速跟踪能力，对高频随机干扰也有较好的识别能力。
和傅里叶变换、小波变换相比，基于神经网络的检测方法对数据流长度的敏感性较低，而检测精度较高，对各次谐波的检测精度一般不低于这两种变换，能得到较满意结果。另外，基于神经网络的检测方法实时性强，可以同时实时检测任意整数次谐波；而且可以使用随机模型的处理方法对信号源中的非有效成份当作噪声处理, 克服噪声等非有效成份的影响，抗干扰性好。
以上几种主要的谐波检测方法中，基于瞬时无功功率理论的检测方法即能检测谐波又能检测无功功率，而且在电网电压对称没有畸变时，检测基波正序无功分量、不对称分量及高次谐波分量的实现电路简单，实时性好，广泛用于有源电力滤波器中的谐波检测，但这种方法是基于三相电路提出来的，不适用于单相电路。小波变换和神经网络都是近年来发展起来的谐波检测方法，研究和应用时间都很短，在实现的技术方面还需要不断完善，如基于神经网络的检测方法在神经网络的构造和样本训练上还没有找到规范通用的方法，但这并不阻碍它们的发展潜力，而且可以将小波变换和神经网络结合起来对谐波进行分析，随着研究的深入开展，这些新型的谐波检测方法也将会得到广泛的实际应用。
4 结 语
随着电力系统的复杂化以及对电能质量要求的日益提高，对谐波问题的研究也必将不断深入，寻找到更为有效可行的谐波检测方法及其实现技术则成为谐波治理的关键，而随着可编程逻辑器件、微处理器 、DSP等器件的发展和广泛应用，也为小波变换、神经网络等新型谐波检测方法的工程应用研究带来契机，相信电网谐波检测技术也将不断完善，逐步实现高速度、高精度、智能化，为谐波分析提供实时准确的数据，提高供电质量。
