随着国民生活水平和工业生产效率的不断提高,人们对电能质量的需求也不断提升。电能质量扰动的治理已经成为社会各界急需解决的问题。电能质量扰动的检测与分类是监测并提高电能质量的重要措施。因此,针对不同类型电能质量扰动的参数检测与分类研究意义非浅。CEEMDAN是一种自适应性强的模态分解算法,在电能质量扰动检测中的应用十分广泛,在检测中精度较高,但对噪声敏感,运算速度慢。BP神经网络是一种具有强大的非映射能力和自学习能力的多层前馈型神经网络。该算法在分类领域使用十分频繁,在电能质量扰动分类中正确率较高,但存在收敛速度慢,初始参数不确定等问题。文章以CEEMDAN算法和BP神经网络为基础,针对二者在电能质量扰动检测分类应用中出现的问题加以改进,并结合了国内外对电能质量检测及分类的理论依据,深入研究了电能质量扰动检测及分类问题。将研究的重点分为三个部分,取得了一定成果。1.针对实际电能质量扰动信号易受到噪声污染,导致检测参数精度不足,影响分类的准确率问题,分析了SG去噪、小波去噪、SVD去噪,小波包（WPT）去噪算法的优缺点,并从信噪比SNR及均方误差MSE角度,研究了几种算法用于电能质量扰动信号的去噪效果,结果表明改进WPT对各类噪声扰动信号去噪效果最佳。2.针对CEEMDAN在电能质量扰动检测时噪声混叠严重、计算速度慢、残余噪声复杂的问题,提出了一种基于ICEEMDAN的电能质量扰动检测方法。该方法通过残差相减减少残余噪声,降低重构与检测时产生的误差,通过添加特殊噪声减少重叠尺度,抑制虚假分量,提高了运算速度。针对ICEEMDAN检测精度仍受强噪声影响以及Hilbert Huang Transform（HHT）参数检测方法运算缓慢的问题,结合WPT去噪及希尔伯特变换（Hilbert,HT）参数检测的优点,提出了一种WPT-ICEEMDAN-HT电能质量扰动检测方法,该方法能够提高检测精度及运算速度。3.针对BP神经网络在电能质量扰动分类的过程中,网络学习时易发生振荡,网络初始值的选取影响分类正确率的问题,提出了一种基于双自适应GA-BP的电能质量扰动分类方法。该方法在传统BP神经网络的基础上,采用附加动量的自适应学习速率法,使学习速率和动量因子自适应化,提高网络分类时的收敛速度与稳定性。引入遗传算法优化网络的权值与阈值个数,为BP神经网络的精确分类奠定基础。仿真结果证明,与传统BP神经网络的分类相比,改进后的双自适应GA-BP分类方法对各类电能质量扰动分类的准确率明显提升,收敛速度显著增加,振荡现象有所改善。