随着社会的进步与发展,越来越多新型电力设备与电力电子产品不断出现在日常生活中,在改善生活质量的同时也带来了更多的谐波污染,使得人们不得不开始更加注意对电力系统谐波的检测与治理。诸多学者针对如何开展高效率、高精度的电力系统谐波检测进行了大量的研究,并取得了实时有效的研究成果。然而随着电力系统结构的不断变革,加之电力系统谐波又是一种不平稳的非线性信号,使得传统处理方法在对其进行检测和处理的应用中难以取得更好的效果。本文针对电力系统谐波实时检测算法以及谐波含量预测进行了研究,具体内容如下:1.介绍了谐波检测理论相关的基础知识。对传统的谐波检测算法及改进算法进行了研究,主要有快速傅里叶变换、小波变换和瞬时无功功率分析等相关算法及改进算法。对各种方法在谐波检测应用中的优缺点进行了对比分析,为后续研究提供了理论基础。2.针对传统集合经验模态分解在处理电力系统信号时缺少自适应能力的问题,结合粒子群与深度信念网络,提出一种改进的自适应集合经验模态分解算法。该算法通过训练获取自适应模型,使集合经验模态分解可以根据电力信号谐波含量的分布特征自动选择有效的分解参数,将被测信号中相近频次的谐波更加合理的分离到对应的本征模函数中。实验证明,该方法可以对各种不同负荷的电力信号进行自适应分解,并且具有较好的谐波分离能力和较高的精度,分离结果也更有利于谐波的检测与处理,进一步提高了电力系统谐波检测的效率与准确性。3.针对电力系统谐波的非线性与不平稳性,将自适应集合经验模态分解与最小二乘支持向量机相结合,建立电力系统谐波组合预测模型。该模型可根据自适应分解后各本征模函数的特征为每个分量单独建立预测模型,最后拟合所有预测结果完成电力系统谐波含量预测。经验证,与其他预测模型相比较,本文建立的模型能更加有效的处理多种复杂的电力系统信号,根据电力系统的需求对其中的各次谐波分量进行准确预测,可同时满足多种预测场合,为电力系统谐波治理提供可靠依据。