大量的非线性负荷接入电网,给电网带来谐波污染。人们对高质量的生活品质的追求,使得电网谐波的治理要求也随之变高。谐波治理的关键在于谐波的实时性检测和高精度提取,这是因为实时性检测和高精度提取所得到的信息,为高质量谐波治理提供输入信息和反馈信息。由于电网谐波具有非线性,常规的谐波检测方法很难满足人们对谐波实时性检测和高精度提取的要求。因此,研究实时性好和准确性高的谐波检测方法具有十分重要的意义。分析了小波分析的基本原理以及常见小波函数的基本性质,介绍了小波分析中多分辨分析与Mallat算法,并给出其在检测谐波方面的应用。然后选取经典的BP神经网络作为研究对象,分析其网络结构及训练算法,给出神经网络在电网谐波检测的应用,为后文的研究奠定理论基础。提出一种小波神经网络自适应优化方法。该方法针对网络初始值设置不当导致网络收敛慢甚至不收敛问题,给出一种参数自适应优化调整方法。在网络训练方面,运用附加动量项的训练算法平滑了权值学习路径,有效避免了网络训练陷入局部最小,显著地改善了网络性能,收敛速度快,能有效提高谐波检测的实时性。经过与其它检测方法的对比,证实了所提方法的收敛速度快、实时性好。提出一种改进型EEMD算法。该方法针对在EEMD分解过程中,由于单一白噪声信号的添加,势必会对各模态函数造成影响,采用添加正负幅值相反白噪声信号的方法,以消除其带来的弊端;运用施密特正交化理论,对各个模态函数进行正交化,从而避免模态混叠现象,提高了谐波分解精度。经仿真验证,证实了改进的方法能有效抑制模态混叠现象,降低各模态函数之间的正交化指数,从而提高分解精度。