随着电力电子行业的发展,电力工业越来越受到人们的关注。目前我国已逐渐形成了大规模大范围的高压输电网络,对电网安全性,可靠性,稳定性,以及电能质量,应对突发事故和灾害的能力等诸多要求也变得越来越高。但是我们在享受着电力工业所带来的便利时,必须考虑到这些技术所带来的负面影响——谐波的产生。针对谐波抑制的主要问题的深入探索和研究,既是我国电力工业理论发展的需要,更是对电力行业的实践上的高要求。未来,智能化发展必将是我国电力工业发展的趋势。如何将智能控制理论在电力系统应用,更好地抑制谐波,提高功率因数,是促进电力工业发展的有效途径之一。本课题主要对有源电力滤波器的谐波检测和控制技术进行了研究。由于传统的控制策略并未考虑系统延时问题。本课题的核心为：通过分析延时对APF补偿性能的严重影响,引出预测控制的概念,并利用RBF神经网络对谐波电流进行预测控制。对RBF神经网络的学习算法——K-均值聚类算法进行了研究。深入介绍如何利用K-均值聚类算法求取隐含层的聚类中心,并求取基宽和权值。在此学习算法的基础上,通过对输入输出样本进行重构预处理之后,对RBF神经网络进行训练,使之达到最优的预测效果。并对整个预测模型的实现过程做了详细的描述。在此基础上,又对基于自适应滤波器LMS算法的预测模型做了详细的介绍,重点对整个算法的结构及实现过程做了深入研究。并把上述两种方法用于谐波电流的预测控制中,实现预测出下一拍的电网谐波电流参考值ic*(t+1),据此发出PWM信号,使主电路输出补偿电流ic(t+1),从而消除延时,并做出Matlab仿真和二者的误差分析,仿真结果表明基于RBF神经网络预测控制的预测效果更准确,误差更小,实时性更好,为APF谐波电流预测奠定理论基础。最后,在对有源电力滤波器整体分析后,做出系统Matlab/simulink模型。利用基于瞬时无功功率理论的ip-iq法则对谐波进行检测。把检测出来的谐波通过RBF神经网络预测模型产生谐波电流参考值,使主电路发出补偿电流,实现谐波抑制作用。通过对系统模型的构建和良好的仿真效果证明：RBF神经网络预测控制在有源电力滤波器谐波控制中得到了理想的运用,具有很好的理论意义和实用价值。本课题所提出的预测方法为谐波治理领域开辟了一个新的空间。