随着现代电力系统和智能电网的发展,用户对电能的品质提出了更高的要求。复杂多变的电能质量扰动事件不断威胁着电力用户的用电安全,电能质量问题的研究已经引起了研究者和工业界的高度重视。为了保证电力用户用电设备的正常运行,提高电能质量成为当务之急。解决电能质量问题的关键是准确判断出扰动事件的类型,从而采取恰当的措施进行治理和补偿。针对电能质量扰动事件不易检测的特点,本文从人工智能的角度出发,提出2种基于深度学习的电能质量扰动分类方法,并分别基于仿真和实测数据验证了所提算法模型的可行性。论文的主要工作如下:阐述传统电能质量扰动识别特征提取方法和分类方法的优缺点,分析总结了电能质量标准和8种典型电能质量扰动类型的成因及危害。根据电力系统中扰动的产生机理、具体特征和表征参数搭建了16种电能质量扰动数学模型,其中包括8种单一扰动、6种二重复合扰动和2种三重复合扰动,并通过Matlab仿真生成大量扰动数据样本,为后续实现电能质量扰动信号的分类识别提供训练数据集。针对传统电能质量扰动识别方法特征提取困难且识别准确率不高的问题,研究基于一维卷积-双向长短期记忆神经网络（1DCNN-Bi LSTM）的电能质量扰动分类方法。本文创新性的将1DCNN快速特征提取和Bi-LSTM时序性优势结合起来,并通过超参数调整和网络优化,搭建了一个能在电能质量扰动识别领域发挥最佳性能的闭环反馈混合深度学习网络模型。实验结果表明:该算法模型具有高识别率、强抗噪性的特点,在无噪声和SNR=40d B、SNR=20d B噪声环境下的识别准确率分别达到99.81%、99.75%、99.31%。针对电网中强噪声干扰导致电能质量复合扰动识别准确率不高的问题,研究基于一维残差收缩网络的电能质量复合扰动分类方法,利用残差模块实现卷积神经网络结构的加深,从而解决深层分类网络退化问题。通过引入注意力机制,采用子网络自动设置阈值,实现各个特征通道的软阈值化。探究一维残差收缩网络参数配置对扰动识别的影响,确定适用于电能质量分析领域的扰动分类模型。实验结果表明:该方法能够有效改善深层网络退化问题,并且在强噪声下具有较高的识别准确率,为电能质量复合扰动识别提供了一种新思路。