在当今的电力系统中，谐波污染已成为影响电能质量和系统稳定运行的重大挑战。随着非线性负载的大量使用，电网中的谐波成分日益复杂，对电力系统的危害也日益显著。为了应对这一挑战，科研人员不断探索电力系统谐波检测的新方法，力求实现对谐波的精准监测和有效治理。

近年来，基于瞬时无功功率理论的谐波检测方法因其原理简单、动态响应速度快而备受关注。该方法通过实时监测电网中的瞬时无功功率，能够迅速捕捉到谐波信号，实现对谐波的实时检测。然而，其检测精度易受滤波器影响，且仅在时域进行变换，不利于频谱分析。为了克服这一局限，科研人员不断优化算法，提出了ip-iq法，采用锁相环技术隔离畸变量对检测的影响，提高了检测精度。

与此同时，基于傅里叶变换的谐波检测方法仍是目前广泛使用的经典方法。快速傅里叶变换（FFT）以其高精度和易实现性在谐波检测领域占据重要地位。然而，FFT存在计算量大、检测耗时长、实时性较差等问题，且在采样周期和信号周期不同步时，易产生频谱泄漏和栅栏效应。为了克服这些缺陷，科研人员提出了加窗函数和谱线校正的方法，有效提高了幅值和相位检测精度。此外，还有学者提出了广义离散傅里叶变换、自适应Kaiser自卷积窗与快速鲁棒检测方法相结合等新方法，进一步提升了谐波检测的灵活性和准确性。

在谐波检测领域，小波变换以其良好的时频局部化特性成为研究热点。小波变换能够自适应地调整时-频窗口，适用于分析突变信号和不平稳信号，特别适用于提取电力信号中的暂态信号。基于Mallat算法、小波包变换、连续小波变换等的小波变换方法在谐波检测中得到了广泛应用。这些方法通过划分信号频带、重构子频段，能够精确地分离出各次谐波信息，实现对谐波的高分辨率检测。特别是基于非抽取小波包变换（UWPT）的快速算法，在固定信号、时变信号、实测电流信号等情况下均表现出优异的检测性能。

此外，希尔伯特-黄变换（HHT）作为另一种新兴的谐波检测方法，以其能够提取任意频率谐波信号的优势受到青睐。HHT利用经验模态分解（EMD）将非线性、非平稳的信号进行线性平稳化处理，再通过希尔伯特变换获取各分量的瞬时频率和幅值，实现了对谐波信号的精确检测。近年来，有学者提出了改进的HHT方法，如迭代HHT，进一步提高了相近频率谐波的检测精度。

随着人工智能技术的快速发展，人工神经网络（ANN）在电力系统谐波检测领域也得到了广泛应用。多层前馈神经网络（MLFNN）和自适应人工神经网络等模型能够通过对大量数据的训练和学习，实现对谐波信号的准确识别和分类。这些方法不仅提高了谐波检测的准确性和实时性，还为电力系统的智能化运维提供了有力支持。