在大力发展绿色电力的时代背景下，光伏发电，风力发电等所占的比例也越来越大，电能储存及转换，大量的电力电子设备使用，导致电力系统中存在的超高次谐波问题以及其他电能质量问题日益突出。随着高新科技的发展，尤其是高端制造业的发展，对供电电能质量提出更高的要求。电能问题评估与治理就日益迫切，对各种电能质量问题的识别与分类是评估与治理电能质量问题的前提。因此对电能质量问题的分类具有重要意义。
　　首先，介绍了几种常见S变换，并从S变换的基本原理、参数选择以及时频分辨率进行分析。在此基础上分析其现有的问题，并且提出新的S变换，即基于布莱克曼窗与窗宽比的S变换，提出其最佳参数的选择，从采样频率、扰动幅值以及扰动持续时间这个方面分析其对最佳参数的影响，并在此基础上提出快速算法。然后并通仿真数据进行分析该S变换与传统S变换时频分辨率差异，最后通过现场数据验证其有效性。
　　其次，由于传统基于特征值的提取特征方法存在着庞大而复杂的特征值筛选等缺点，提出两种特征提取方法。1)基于特征曲线的特征提取的方法，并且在此基础上根据波动能量密度、概率均值与FFT的曲线分割方法，排除噪声干扰并完整的保留特征，实现特征曲线的剪短。解决基于特征值方法存在着庞大特征值的筛选，并且提高算法的抗噪能力；2)基于特征矩阵的提取方法，从低频、高频和3次谐波部分提取特征，减小不同扰动特征之间的相互干扰，特别是对尖峰和波陷的特征干扰。从而为复杂扰动的识别与分类打下坚实的基础。采用矩阵分割的方法，保证信息的完整性，排除其他扰动和噪声的干扰，凸显扰动的特征。
　　最后，分别针对特征曲线与特征矩阵提出适用于对应的分类方法。1)针对特征曲线，提出数据库查询的方法，通过仿真表明该方法，基于特征值的分类方法避免庞大维数特征筛选过程，同时在高噪声背景下能够达到较高识别与分类准确率。2)针对特征矩阵，采用了AlexNet的扰动识别方法，解决尖峰和陷波特征微弱的识别难题，同时能够较为准确的识别包括6种同时发生复杂扰动在内96种扰动。