近年来,随着各种电力电子设备的广泛应用,电网谐波问题日益突出,快速准确的谐波状态检测显得至关重要。卡尔曼滤波在处理线性、高斯系统状态滤波和参数估计具有独特的优势,但噪声统计特性、初始状态参数选取等问题一直都困扰着其发展与应用,论文提出了基于自适应滤波算法的谐波精确检测方法。本论文的主要研究成果如下:首先,在贝叶斯理论框架下对卡尔曼滤波(Kalman Filter,KF)算法进行了系统性研究。针对噪声干扰下检测精度不高的问题,提出了一种基于自适应卡尔曼滤波残差分析的谐波检测方法,即先建立电压信号的状态空间模型,对于系统模型的噪声协方差矩阵R、Q以及系统的初始状态,采用最大似然法进行自适应优化,并利用KF实现对谐波信号的预估及修正,进而得到谐波幅值的最优估计值,利用滤波残差的奇异性可以准确检测谐波的干扰起止时间。同时,针对卡尔曼滤波算法在非线性系统的局限性,论文还提出利用扩展卡尔曼滤波跟踪基波频率的动态变化,实现了对基波频率的准确检测。然后,针对基于最大似然的自适应卡尔曼滤波算法中待优化参数的初值选取不当易陷入局部最优的问题,论文进一步提出了一种基于自适应粒子群遗传优化的卡尔曼滤波算法(Particle Swarm Optimization Genetic Algorithm Kalman Filter,PSO-GA-KF),并将其用于谐波检测。通过将基于最大似然的卡尔曼滤波算法与PSO、GA相结合来自适应优化噪声协方差矩阵R、Q和其他初始状态参数,在较短的搜索时间内获得全局最优解,使得检测精度得到提升。论文通过MATLAB软件仿真,对比多种算法在不同噪声强度、不同电压幅值参数变化的情况下谐波检测结果,验证该算法性能最优。论文提出的两种自适应卡尔曼滤波算法克服了噪声干扰环境下由噪声统计特性的不确定性导致的滤波精度低等问题,有效提高了电网谐波的检测精度,另外采用扩展卡尔曼可以准确检测基波频率。因此,论文的研究方法可为电力系统的谐波检测和治理提供方法指导。