1、模擬電路：消除諧波的方法很多，即有主動型，又有被動型；既有無源的，也有有源的，還有混合型的，目前采用有源電力濾波器。但由于電力諧波監測裝置檢測環節多采用模擬電路，因而造價較高，且由于模擬帶通濾波器對頻率和溫度的變化非常敏感，故使其基波幅值誤差很難控制在10%以內，嚴重影響了有源濾波器的控制性能。

近年來，人工神經網絡的研究取得了較大進展，由于神經元有自適應和自學習能力，且結構簡單，輸入輸出關系明了，因此可用神經元替代自適應濾波器，再用一對與基波頻率相同，相位相差90度的正弦向量作為神經元的輸入。由神經元先得到基波電流，然后檢測出應補償的電流，從而完成諧波電流的檢測。但人工神經網絡的硬件目前還是一個比較薄弱的環節，限制了其應用范圍。

2、傅立葉變換：利用傅立葉變換可在數字域進行諧波檢測，電力系統的諧波分析，目前大都是通過該方法實現的，離散傅立葉變換所需要處理的是經過采樣和A/D轉換得到的數字信號，設待測信號為x(t)，采樣間隔為 t秒，采樣頻率 =1/ t滿足采樣定理，即大于信號頻率分量的2倍，則采樣信號為x(n t)，并且采樣信號總是有限長度的，即n=0，1……N-1。

這相當于對無限長的信號做了截斷，因而造成了傅立葉變換的泄露現象，產生誤差。此外對于離散傅立葉變換來說，如果不是整數周期采樣，那么即使信號只含有單一頻率，離散傅立葉變換也不可能求出信號的準確參數，因而出現柵欄效應。通過加窗可以減小泄露現象的影響。

3、小波變換：已廣泛應用于信號分析、語音識別與合成、自動控制、圖象處理與分析等領域。電力諧波是由各種頻率成分合成的、隨機的、出現和消失都非常突然的信號，在應用離散傅立葉變換進行處理受到局限的情況下，可充分發揮小波變換的優勢。即對諧波采樣離散后，利用小波變換對數字信號進行處理，從而實現對諧波的準確測定。

對于檢測高頻信息，時窗變窄，可對信號的高頻分量做細致的觀測；對于分析低頻信息，這時時窗自動變寬，可對信號的低頻分量做概貌分析。所以小波變換具有自動“調焦”性。其次，小波變換是按頻帶而不是按頻點的方式處理頻域信息，因此信號頻率的微小波動不會對處理產生很大的影響，并不要求對信號進行整周期采樣。

另外，由小波變換的時間局部可知，在信號的局部發生波動時，不會象傅立葉變換那樣把影響擴散到整個頻譜，而只改變當時一小段時間的頻譜分布，因此，采用小波變換可以跟蹤時變和暫態信號。