随着电力系统越来越多的清洁能源例如太阳能、风能等接入电网,电网电压暂降问题不断增加,电压暂降扰动源呈现出复合叠加情况愈发严重复合,给暂降源监测与治理带来挑战。暂降源识别与治理需以暂降源类型及暂降源位置作为指导,而传统针对单一暂降源识别方式无法满足复合暂降源识别要求,尤其考虑波形畸变影响下的复合暂降源识别未有成熟有效方案,同时,电力系统中电压暂降源故障类型确定并不能为暂降源的治理、责任的界定提供完整的信息,增加电压暂降源的准确定位信息,实现复合暂降源的识别与定位,为电压暂降源的治理与预防提供更为全面的指导意见,保障电力系统长久平稳运行。首先阐述本文的研究背景和意义,介绍主要暂降源及其带来的危害,分析现有的电压暂降源识别和定位算法的优点以及不足。在暂降源识别中,本文以暂降源波形为研究对象,建构短路故障、变压器投切、大型感应电机启动、短路故障同时发生变压器投切等8种仿真模型,探究电压暂降起因,对比不同类型的电压暂降源波形特性,同时探究不同类型暂降源波形经不同类型变压器传递后的波形畸变特性。针对单一暂降源的识别方式无法满足复合暂降源的识别要求,同时考虑波形畸变影响下的复合暂降源识别未有成熟有效方案的问题,提出一种基于CNN-XGBoost的复合电压暂降源识别方法。该方法利用卷积神经网络自适应提取电压暂降源数据特征,有效降低特征优化过程的时间,同时将迁移学习运用到电压暂降源识别领域,避免实际工程中因数据集不足导致模型训练过拟合问题,通过XGBoost集成学习分类器对CNN输出特征进行训练与识别,提高CNN-XGBoost的识别准确率。仿真与实测实验结果表明本文提出的CNN-XGBoost方法在识别复合暂降源时具有较高的识别准确率,在识别考虑波形畸变的情况下复合暂降源,提出方法的准确率均高于其他方法,且波形畸变前后本文识别准确率均未受到影响,验证本文方法的准确性与有效性。针对目前暂降源定位问题中仅依靠单一特征量对电压暂降源定位准确率不高的问题,本文在粒子群算法的基础上提出一种改进粒子群算法,通过改进粒子群算法对SVM中核函数参数进行寻优,据此建立基于IPOS-SVM的电压暂降源定位方法。仿真实验结果表明,本文方法的电压暂降源定位准确率高于依靠单一特征的电压暂降源定位方法,且相比于SVM、随机森林、BP神经网络、KELM和PSO-SVM,IPSO-SVM的定位准确率更高。为进一步验证本文提出方法的有效性,本文构建由HSB1030型三相标准源、NI PXIe-8840控制台、NI PXIe-1070机箱、NI PXIe-6341数据采集卡及Lab VIEW上位机构成的试验平台,基于Lab VIEW开发虚拟化电压暂降源识别与定位系统软件,给出系统的结构与功能设计,并编程实现数据采集、数据存储、电压暂降源识别与定位等功能,基于仿真与试验数据完成识别模块和定位模块的测试与实验。