随着生产效率和生活质量的不断提高,用电设备对电能质量的要求也越来越高,电能质量存在的一些问题也受到大量研究机构和广大学者的共同关注。然而,对各种电能质量扰动进行准确检测是改善和提高电能质量的有效措施。因此,针对电能质量扰动信号的检测分析具有一定的理论意义和实用价值。BP神经网络是一种具有强大的非映射能力和自学习能力的多层前馈神经网络。该算法在检测领域使用十分频繁,在谐波检测中精度高。本文旨在以BP神经网络为基础,通过对其中问题的改善,分别探讨针对谐波/间谐波、扰动信号的检测算法,并在国内外电能质量检测算法的基础上,对谐波/间谐波和扰动信号的检测和定位进行深入分析,重点进行以下3点研究,并取得了一定成果。1.针对BP神经网络在谐波检测过程中,网络学习时易发生振荡,网络初始值和中间节点个数的选取影响谐波检测精度问题,提出了双自适应神经网络和快速TLS—ESPRIT相结合的谐波检测方法。在传统BP神经网络的基础上,将动量因子和学习率双自适应化,采用双自适应BP神经网络来改善网络的不稳定性,提高网络收敛速度。为准确选取初始值和中间节点个数,提高谐波信号的检测精度,引入快速TLS-ESPRIT算法可精确快速得到频率初始值和中间节点个数,确定网络结构,给BP神经网络的精确检测奠定基础。与传统BP神经网络相比,改进后的双自适应BP神经网络谐波检测精度有所提高,迭代次数大大减小,收敛性得到增强,并且具有一定的抗噪声能力。2.针对双自适应神经网络在处理噪声干扰下间谐波和复杂谐波信号时,网络陷入局部极小值导致检测参数精度降低问题,提出了改进双自适应BP神经网络的谐波检测算法。双自适应BP神经网络自适应能力较传统BP神经网络有了提升,但未考虑误差连续增大或减小的情况,其动量因子和学习率仍仅在有限的固定点上变动导致自适应性仍显不足,在谐波检测过程中出现精度下降。故在此基础上进一步对网络自适应化,将C语言中的“指针”思想引入BP神经网络中,创建了网络“误差指针”,通过“误差指针”对学习率和动量因子进一步双自适应调整,考虑误差的连续增大或减小,将其变为可动点,进一步扩展了二者的取值空间,有利于网络更深层次的自适应调整。分别采用噪声干扰下间谐波、复杂谐波以及实验信号对该检测方法进行仿真,并将仿真结果与未改进双自适应BP神经网络中仿真结果进行对比。结果表明:改进后的谐波检测方法网络自适应更好,具有更高的收敛速度和检测精度。3.针对BP神经网络无法进行暂态扰动信号定位的问题,引入基于Hankel矩阵奇异值分解（SVD）的扰动定位方法,提出了一种改进双自适应神经网络和Hankel矩阵奇异值分解的扰动检测方法。首先,经SVD分解后得到突变点最为明显的分量信号,在分量信号中提取突变信息,以突变点变化最为明显的时刻作为此复合扰动信号的起、止时刻。经改进双自适应BP神经网络算法对扰动起始点前后各取的一段采样数据进行检测分析后,得到各项扰动参数。最后通过单一/复合扰动以及扰动实验数据信号仿真表明:该算法可以对扰动信号进行有效定位,并对信号参数的检测精度较高。