正确识别电能质量扰动类别是及时采取相应的治理与补偿措施的前提。核极限学习机具有较好的稳定性、泛化能力且具有结构简单、运行速度快的特点,非常适合于工程实际应用。本文详细研究了核极限学习机特性,在此基础上提出基于粒子群算法优化核函数的极限学习机分类方法,并将其应用于电能质量扰动分类,取得了较好的分类效果。论文详细分析了极限学习机在电能质量扰动分类中的应用,根据不同参数下的泛化能力不同的特点,分析了核极限学习机核函数的特性,包括常见的单核核函数和混合核函数,其中单核核函数包含径向基核函数与多项式核函数,混合核函数包含径向基多项式核函数与径向基线性核函数,仿真实验表明混合核极限学习机取得较好的分类效果。为获得最优核参数提高分类准确度,利用粒子群算法优化核极限学习机的核参数,通过最小二乘算法确定输出权重形成一种基于粒子群优化方法的核极限学习机(PSO-KELM,Particle Swarm Optimization based on Kernel Extreme Learning Machine);考虑粒子群算法的惯性因子对搜索能力的影响,对惯性因子进行了分析。采用粒子群算法优化径向基核函数参数及正则化系数,以及混合核函数参数。仿真实验表明经粒子群优化的混合核极限学习机比极限学习机、单核极限学习机分类精度高。将PSO-KELM用于电能质量扰动信号分类,粒子群算法优化核极限学习机的混合核参数。利用小波包分解在各个频带上所包含小波系数能量的差异,建立电能质量扰动信号的特征表,该特征表包含了由大量小波包分解给出的电能质量扰动信号特征能量值范围。仿真实验表明,经过粒子群算法优化径向基多项式混合核极限学习机的分类准确率高于极限学习机以及粒子群算法优化单核极限学习机。