在當今的電力系統中，諧波污染已成為影響電能質量和系統穩定運行的重大挑戰。隨著非線性負載的大量使用，電網中的諧波成分日益復雜，對電力系統的危害也日益顯著。為了應對這一挑戰，科研人員不斷探索電力系統諧波檢測的新方法，力求實現對諧波的精準監測和有效治理。
近年來，基于瞬時無功功率理論的諧波檢測方法因其原理簡單、動態響應速度快而備受關注。該方法通過實時監測電網中的瞬時無功功率，能夠迅速捕捉到諧波信號，實現對諧波的實時檢測。然而，其檢測精度易受濾波器影響，且僅在時域進行變換，不利于頻譜分析。為了克服這一局限，科研人員不斷優化算法，提出了ip-iq法，采用鎖相環技術隔離畸變量對檢測的影響，提高了檢測精度。
與此同時，基于傅里葉變換的諧波檢測方法仍是目前廣泛使用的經典方法。快速傅里葉變換（FFT）以其高精度和易實現性在諧波檢測領域占據重要地位。然而，FFT存在計算量大、檢測耗時長、實時性較差等問題，且在采樣周期和信號周期不同步時，易產生頻譜泄漏和柵欄效應。為了克服這些缺陷，科研人員提出了加窗函數和譜線校正的方法，有效提高了幅值和相位檢測精度。此外，還有學者提出了廣義離散傅里葉變換、自適應Kaiser自卷積窗與快速魯棒檢測方法相結合等新方法，進一步提升了諧波檢測的靈活性和準確性。
在諧波檢測領域，小波變換以其良好的時頻局部化特性成為研究熱點。小波變換能夠自適應地調整時-頻窗口，適用于分析突變信號和不平穩信號，特別適用于提取電力信號中的暫態信號?；贛allat算法、小波包變換、連續小波變換等的小波變換方法在諧波檢測中得到了廣泛應用。這些方法通過劃分信號頻帶、重構子頻段，能夠精確地分離出各次諧波信息，實現對諧波的高分辨率檢測。特別是基于非抽取小波包變換（UWPT）的快速算法，在固定信號、時變信號、實測電流信號等情況下均表現出優異的檢測性能。
此外，希爾伯特-黃變換（HHT）作為另一種新興的諧波檢測方法，以其能夠提取任意頻率諧波信號的優勢受到青睞。HHT利用經驗模態分解（EMD）將非線性、非平穩的信號進行線性平穩化處理，再通過希爾伯特變換獲取各分量的瞬時頻率和幅值，實現了對諧波信號的精確檢測。近年來，有學者提出了改進的HHT方法，如迭代HHT，進一步提高了相近頻率諧波的檢測精度。
隨著人工智能技術的快速發展，人工神經網絡（ANN）在電力系統諧波檢測領域也得到了廣泛應用。多層前饋神經網絡（MLFNN）和自適應人工神經網絡等模型能夠通過對大量數據的訓練和學習，實現對諧波信號的準確識別和分類。這些方法不僅提高了諧波檢測的準確性和實時性，還為電力系統的智能化運維提供了有力支持。