标题所指的知识点包括：多层前向神经网络、谐波检测方法。
描述中所述的知识点与标题相同。
根据给定的信息，我们可以确定以下详细知识点：
谐波检测是电力系统中的一个重要环节。在有源电力滤波技术中，谐波幅值和相位是需要检测的关键参数。这是因为它们直接影响电力系统的运行效率和稳定。传统的谐波检测方法有其局限性，比如基于傅里叶变换的方法在非线性和动态性能上的不足。而人工神经网络（ANN），特别是多层前向神经网络（MLFNN），由于其强大的非线性映射能力，被提出用作谐波参数的测量工具。
神经网络在谐波检测中的应用，主要依赖于其能够通过训练样本学习到输入和输出之间的非线性关系，之后可以对未训练样本进行有效的测量。文章中提出的MLFNN模型包含三层：输入层、隐层和输出层。隐层采用正切函数（tangent function），而输出层采用线性函数（linear function），这样的网络结构设计使得网络可以有效地对谐波幅值和相位进行非线性映射。
为了训练这样的神经网络模型，需要准备相应的训练样本。在本文中，以三次谐波为例，说明了训练方法和样本的组成。通过Matlab工具箱，可以完成对神经网络的训练过程。首先使用训练样本对神经网络进行训练，然后利用训练好的网络去测量新的样本数据。
仿真结果显示，与传统FFT（快速傅里叶变换）谐波检测方法相比，MLFNN模型具有更高的精度和灵活性，尤其适用于实时谐波检测。此外，这种基于神经网络的方法对于采样数目没有严格的限制，这意味着即使在样本数量较少的情况下，该方法仍然有效。当谐波源是恒定的时候，已经离线训练好的MLFNN模型可以用来进行谐波检测。
关键词部分揭示了文章研究的核心：多层前向神经网络、谐波检测、相位角以及Matlab仿真。其中，Matlab仿真部分是实现该方法的工具，它提供了强大的数学计算和仿真环境，对数据进行处理和结果的可视化，从而验证了所提方法的有效性。
文章的引言部分提到了有源电力滤波技术的发展以及对谐波检测技术的需求。H. Akagi在20世纪80年代初提出的基于瞬时无功功率理论的谐波检测技术，将有源滤波器推向了应用实践。然而，随着对有源滤波器控制要求的提高，寻找更加高效准确的谐波检测方法变得尤为关键。多层前向神经网络恰好为这一领域提供了新的解决方案。
基于多层前向神经网络的谐波检测方法，强调了在电力系统中对谐波幅值和相位进行准确测量的重要性，以及人工神经网络在此方面的应用前景。通过Matlab进行仿真实验，验证了MLFNN模型在谐波检测中具备高效和灵活的特点，并提供了在实际应用中的潜在优势。
