随着国民经济的高速发展和科学技术的快速进步,人们对于电能的品质要求越来越高,与此同时大量的非线性负载及电力电子设备器件的接入,又使得系统中电能质量扰动变得复杂多变,威胁着用户和设备的用电安全。因此,对电能质量扰动信号进行正确的识别分类对改善供电质量和保证系统安全稳定运行具有非常重要的意义。本文主要通过对各类电能质量扰动信号的仿真分析,实现了对电能质量扰动信号的准确分类,并将电能质量复合扰动分解为电能质量单一扰动。首先,本文介绍了国内外针对电能质量问题的研究现状,对当前普遍使用的电能质量扰动分析方法和分类方法做了简单的介绍。同时根据电能质量的定义及国内外相关标准搭建了电能质量扰动数学模型及Simulink仿真模型,将仿真得到的各扰动数据作为后续研究基础。其次,本文利用数学形态学结构简单、运算速度快的特点,构建了基于双结构元素加权开闭闭开形态滤波器的降噪算法和基于多分辨率形态学梯度的扰动检测方法,能够有效滤除信号中噪声的干扰从而恢复原始信号,并对信号中扰动的起始时刻和终止时刻进行检测定位,实现了对实验数据的预处理。提出了基于希尔伯特包络线和位移算子的特征提取方法,实现了数据的降维处理并保留了重要的特征信息,作为后续电能质量扰动分类研究的输入向量。为了提高分类器的准确率,在传统的PSO算法中引入动态惯性权重系数和交叉变异过程避免算法早熟和陷入局部最优解,同时对SVM分类器进行参数优化,构建的IPSO-SVM算法实现了电能质量扰动的最佳分类。最后,将深度学习应用于电能质量扰动的研究问题中。首先利用LSTM处理时间序列问题的优越性,对电能质量单一扰动进行了分类识别,实验结果验证了方法的准确性和有效性。然后提出了LSTM-DAE结合的电能质量复合扰动分类与重构,利用LSTM实现对电能质量复合扰动的分类后,选择不同参数的DAE对复合扰动信号进行分解重构,实现了复合扰动信号中扰动成分的识别及监测。实验表明LSTM能够准确实现单一电能质量的扰动分类,LSTM-DAE在电能质量复合扰动的分类及分解和重构方面效果显著。