随着电力系统中分布式新能源并网和非线性负载的使用越来越多,谐波污染变得愈加严重,谐波会对电网和其他负载造成灾难性后果,比如系统谐振、设备故障和通信干扰等问题。准确的检测谐波的频率、幅值和相位对于电力系统谐波治理具有重要意义。近年来,局部均值分解算法（Local Mean Decomposition,LMD）在电力系统谐波检测领域发挥了愈加重要的作用,但其本身存在的模态混叠和端点效应问题严重影响了他的应用价值。针对这两个问题分别进行改进,并将改进后的算法应用到谐波检测领域。本文将从以下方面展开工作:1、将局部均值分解与当前应用广泛的经验模态分解（Empirical Mode Decomposition,EMD）进行仿真对比,得出LMD在避免虚假分量等问题上优于EMD,但端点效应和模态混叠问题仍然影响其在谐波检测领域的应用的结论,为后续章节提供理论支撑。2、Prony方法相比传统谐波检测方法具有分辨率高且计算简单的优点,但其抗噪性能较差。针对Prony辨识谐波参数时易受噪声影响的问题,将LMD应用到谐波检测的降噪环节,而传统LMD的模态混叠效应会影响去噪效果。首先采用对模态混叠优化的集成局部均值分解（Ensemble Local Mean Decomposition,ELMD）方法,分解谐波信号获得一系列PF分量,然后利用K-L散度（Kullback-Leibler Divergence,K-L）区分噪声分量与有效分量,对有效分量进行奇异值分解（Singular Value Decomposition,SVD）二次降噪,提出ELMD-SVD降噪方法。在此基础上,与Prony方法结合,提出一种基于ELMD-SVD-Prony的谐波检测方法。最后针对电力系统谐波信号与其它常用谐波检测方法进行仿真对比,通过分析重构波形、信噪比、均方根误差数据和谐波检测精度可知,ELMD-SVD-Prony方法的重构波形与原信号更加吻合,信噪比提升更大,均方根误差更低,谐波检测精度更高。3、BP神经网络谐波检测具有精度高且简单可靠的优点,但BP神经网络的训练需要提前预知信号主频个数和频率参数。针对这一问题,首次将LMD与BP神经网络结合,利用LMD检测信号主频个数并提取频率参数提供给BP神经网络,解决BP神经网络参数设置问题。但要精确检测谐波主频,需对LMD端点效应进行抑制。首先通过边界局部特征尺度延拓（Boundary local feature scale extension,BLFSE）方法进行信号延拓,并自适应嵌入LMD中,提出BLMD（Boundary Local Mean Decomposition）算法来抑制传统LMD的端点效应。然后在此基础上,结合BP神经网络提出BLMDBP神经网络谐波检测方法。由BLMD给出信号主频个数和频率参数输入到BP神经网络,进而由BP神经网络获得更精确的频率、幅值和相位数据。最后将BLMD-BP与FFT（Fast Fourier Transform）-BP进行仿真对比,结果表明BLMD-BP的谐波检测精度更高。4、用提出的两种方法对三个电力系统信号仿真模型、一个实验数据和三个非线性负载实际谐波电流信号进行谐波检测。结果表明,ELMD-SVD-Prony耗费机时更长,但对平稳与非平稳信号都具有良好的适应性,且去噪效果更好。SVD-BLMD-BP方法对非平稳信号适应性较弱,但用时较短且对平稳信号的检测精度比前者更高。对非线性负载的电流信号检测结果,表明两种方法均可以有效辨识实际谐波信号,具有较强的实用价值。可根据电力系统在线/离线潮流计算要求,选择不同的算法。