电能质电能质量问题不仅使电网的安全稳定运行得不到保障,且会对接入电网的电气化设备造成严重损害,给电力用户带来严重损失,这迫切需要对电能质量进行控制和有效治理,而前提是能够对其进行快速准确地检测。对此,论文对电能质量扰动的快速准确检测展开了深入地研究与讨论,其主要工作如下:论文主要研究了自适应卡尔曼滤波算法在电能质量检测中的应用。卡尔曼滤波算法解决了非平稳环境下的状态估计问题,广泛应用于电力系统中。但在滤波过程中,噪声统计特性的确定直接影响其精度以及收敛速度。对此,论文采用自适应的方式估计噪声统计特性以改善其性能。论文首先针对传统卡尔曼滤波器噪声统计特性难以确定的问题,提出了基于最大似然的卡尔曼(Kalman filter based on maximum likelihood,KF-ML)滤波算法的电能质量检测方法。该方法能够通过最大似然自适应优化噪声协方差矩阵以及初始条件参数。在进行最优估计时,选择2种状态向量进行建模,并相应地得到2种不同的状态空间模型,文章重点讨论了2种模型在谐波干扰、脉冲干扰以及不同信噪比情况下的检测效果,详细分析了2种模型的优缺点。论文为进一步提高电能质量扰动信号的检测精度,提出了一种自适应过程噪声的卡尔曼(adaptive process noise covariance Kalman filter,APNCKF)滤波算法的电能质量检测方法。该方法利用序贯更新先验信息的序贯可信度最大化方法在线估计系统噪声协方差,增强了滤波系统的稳定性;且辨识出来的过程噪声参数对信号奇异性最为敏感,提高了扰动检测精度。该方法是在时域里进行状态最优估计(滤波),可获得丰富的参数信息(幅值、相位等),实现了对单一电能质量扰动和复合电能质量扰动的检测。为进一步验证其性能的优越性,该算法与小波变换、传统的卡尔曼滤波算法和KF-ML滤波算法等检测算法进行了对比仿真实验,仿真结果表明了该算法性能最优。论文提出的自适应KF-ML滤波算法和自适应APNCKF滤波算法克服了传统卡尔曼滤波算法噪声统计特性难以确定的问题,仿真结果表明两种改进算法提升了扰动检测精度,为电力系统电能质量治理提供了可靠的依据。