目前,随着电力领域中各种新技术的高速发展,电网中的电力来源和电力负荷日益增加,对电能质量产生了一定的影响。因此,电网中的各种电力电子设备和电力用户均对电能质量提出了更高的要求,为了控制和改善电能质量,首先需要精确的对电能质量扰动识别。本文首先阐述了电能质量扰动的研究背景和研究意义,分析了目前国内外普遍使用的电能质量扰动识别方法,介绍了电能质量在不同情况下的定义、标准以及不同分类条件下各种类型扰动的产生原因、具体特点和后果,建立了扰动信号的数学模型并在MATLAB中生成研究所需要的扰动信号样本数据。其次,对比了压缩感知算法与传统信号采样算法的采样与压缩效果,介绍了压缩感知算法的具体实现步骤,通过选取合适的稀疏变换基、测量矩阵和重构算法对本文所研究的扰动信号进行压缩感知,获取不同扰动信号的稀疏向量和重构信号。分析了一维卷积神经网络的网络结构,介绍了神经元的基本结构、卷积和池化的具体操作步骤,以及神经网络的训练过程。针对电能质量扰动信号的稀疏向量,在Tensorflow/keras中建立基于一维卷积神经网络的分类模型,输入扰动信号的稀疏向量,训练模型,实现对扰动的识别。最后介绍了相空间重构的实现过程以及延迟时间和嵌入维数的选取方法,根据电能质量扰动信号的特点,确定延迟时间和嵌入维数的取值。分析了建立在相空间重构基础上的递归图算法的基本原理和评价参数,研究了扰动数学模型中的时间、幅值参数对递归轨迹图的作用,二者相互影响最终决定的特征区域可以用于区分不同类型的扰动信号。并且对比了传统循环神经网络和长短时记忆神经网络的区别,分析了网络的权值参数学习算法,对于电能质量扰动信号的递归图,在Tensorflow/keras中建立基于长短时记忆神经网络的分类模型,将扰动信号对应的递归图输入模型,通过训练分类模型,实现对不同类型扰动信号的识别。图[24]表[8]参[83]