随着科技和工业的蓬勃发展,各种非线性和冲击性负荷不断增加,对供电系统电能质量造成了严重的污染。其中,一些自动化、智能化的用电设备和高精度的生产工艺对各种短时电磁干扰极为敏感。因此,对短时电能质量扰动(Short Duration Power QualityDisturbances,SDPQD)进行准确的时间定位、特征提取和分类识别已经成为当前亟待解决的问题。　　 本文首先详细论述了电能质量问题的定义和分类。分析了电能质量扰动检测与特征提取方法和扰动分类方法的研究现状。　　 针对噪声污染会严重影响小波变换检测的问题,通过确定阈值,提出了基于小波变换的信号去噪方法。根据小波变换后局部极大值在不同尺度上的衰减速度来检测信号的局部奇异性并得出扰动持续时间等特征值。为了克服单一特征值不能完整表征各种短时扰动信号的不足,提出了一种将小波分解后的各层标准差和小波包分解后的各层相对能量比值也纳入到特征值的方法。另外,还通过计算有效值的方法得出扰动幅度。然后组成一组特征值,可以完整的呈现扰动信号的各种信息。　　 在对特征值进行理论分析的基础上,提出一种利用一个四位二进制数进行快速分类的方法,但是该法有一定局限性。　　 根据人工神经网络理论,对一种自组织特征映射网络——SOFM进行了优化设计,并利用该网络进行了分类实例分析,具有分类准确的特点。在此基础上,本文又利用学习矢量量化(LVQ)网络进行了完善,LVQ网络的优点在于网络结构简单,而且只通过内部单元相互作用就可以完成十分复杂的分类处理。由于该网络采用了有教师的学习算法,因此不但能准确分类,还能识别各类SDPQD现象。分类实例验证了该法的有效性。