电力系统中非线性、冲击性、波动性负载的数量不断增加,导致电网的电能质量问题不断恶化。电能质量的下降会导致用电设备数据丢失、开关误动作和生产流水线停机等问题,严重时会对电力系统的安全稳定运行造成威胁。因此,深入研究影响电能质量下降的各类因素,对电能质量问题进行准确检测和识别是保证电力系统安全运行的基础。本文主要从扰动预处理、检测、特征值提取分类三个方面对电能质量扰动检测分类方法进行深入研究。首先阐述电能质量相关标准和国内外发展现状,总结常见的扰动类型,归纳扰动的来源及危害,分析总结现有的扰动预处理、检测和分类算法的优点和不足。针对实际电网信号受噪声污染严重等问题,本文提出一种基于改进小波阈值函数的降噪算法。综合比较各类小波基和阈值估计方法性能,选取最优小波基和阈值估计方法,引入调节因子,构建改进小波阈值函数,使改进后的小波阈值函数同时兼备软硬阈值的功能。通过与数学形态学法、EEMD降噪算法以及软、硬阈值降噪算法对比实验验证本文所提算法具有良好降噪性能。针对现有的电能质量检测算法抗噪性弱和定位精度不高的问题,重点研究基于变分模态分解的电能质量扰动检测算法,并在深入研究变分模态分解原理的基础上,提出一种自适应变分模态分解的电能质量扰动检测方法。该方法以能量差作为评价参数自适应地确定本征模态分解个数K,提高检测算法抗模态混叠、抗虚假分量能力和噪声鲁棒性。并分别基于自适应变分模态分解算法、EMD和EEMD算法进行仿真信号和实际电网信号的检测与分析,实验结果表明自适应变分模态分解算法不仅能有效分离扰动分量,而且可较好的保留高频扰动特征信息,其检测定位效果优于EMD和EEMD算法。为克服支持向量机参数难以选择的问题,采用粒子群算法对支持向量机进行参数寻优。利用暂态电能质量扰动模拟信号、国家电力系统事件数据库以及贵州某电网的实测信号生成样本库,基于统计学特征和变分模态分解算法,计算各层本征模态函数的能量分布,求取与正常电压信号的能量差值作为特征向量,输入至参数优化后的PSO-SVM分类器中,实现信号扰动类型的分类识别。并采用PNN、ELM、未经优化的SVM与本文所提算法进行对比,仿真结果表明无论对单一扰动信号还是复合扰动信号,PSO-SVM均能获得较高的分类准确率。最后基于本文所提算法,搭建基于PXI和LabVIEW的虚拟化电能质量扰动检测识别系统,详细阐述整个系统的软件方案,编程实现系统数据采集、数据存储、扰动检测和扰动分类识别等功能,并基于实测的电网数据完成检测识别系统的测试与实验,验证本文方法的准确性和有效性。