随着工业的发展,特别是电力电子装置的广泛应用,电力系统中的非线性负荷大量增加,电网污染越来越严重,电能质量严重下降。治理电网谐波污染的一个有效手段是,利用有源电力滤波器进行电力系统谐波抑制和无功补偿。与传统的无源LC滤波器相比较,具有响应快、补偿效果好和能够实现动态补偿的优点,因此成为人们研究的热点。论文首先对有源电力滤波器的研究现状和发展趋势作了简要的分析,阐述了有源电力滤波器的基本结构和工作原理,并对几种常用的谐波检测和电流控制方法的适用环境及优缺点进行了比较,在此基础上详细分析了常用测控方法在数字化过程中存在的延时问题及其给有源电力滤波器补偿性能带来的不利影响。其次,针对各种算法应用中存在的延时问题,研究了两种谐波信号预测算法——自适应滤波器预测算法和神经网络预测控制算法。自适应滤波器预测算法基于有限脉冲响应(FIR)模型,利用最小均方算法(LMS)对所需检测信号进行预测,然后根据预测值对谐波电流进行补偿。该算法计算简单,便于数字化实现。基于RBF神经网络的有源滤波器的预测控制采用离线训练和在线修正的方法,通过对APF系统动态行为的在线估计,建立系统的神经网络预测模型;在此基础上利用预测控制算法的对模型形式无限制,对模型失配、时变、干扰等不确定因素影响适应性强等优点,实现了APF的神经网络预测控制。在神经网络训练过程中,为克服梯度下降法和最小二乘法的不足,提出了一种动态调整网络结构和参数的自适应学习算法进行调整,提高了神经网络的训练速度。最后,为了验证算法的有效性,建立上述算法的数学模型和计算机仿真分析,给出了补偿前后各次谐波含量的仿真数据。仿真结果表明,这两种算法无论是在稳态还是暂态工作环境下,与传统算法相比较精度高、实时性好、鲁棒性强,能有效解决有源电力滤波器数字化控制系统中的延时问题,具有较大的应用前景。