电力系统日趋庞杂,然而网络故障,恶劣天气等事件造成的电力系统干扰问题时有发生。特别是自动化设备等非线性负荷大规模出现,用电过程对电能质量扰动的敏感性逐步增加。现实生产生活中,即便是极短的电能质量扰动也可能意外造成生活不便,生产停滞甚至带来较高的恢复成本。鉴于其对系统网络所造成的诸多不稳定问题,电能质量扰动分类已成为当前电力研究领域中的又一重要基础性研究课题。本文首先尝试模拟常见扰动信号属性和特征,并对各类型负载导致的电能质量扰动进行仿真建模。利用MATLAB/Simulink软件编写参数方程并在此环境下搭建配电网络模型发生各类型电能质量扰动。两种方法可产生常见的多类型电能质量扰动,例如电压暂降、暂升及中断等,也包含非线性负载造成的谐波等频率变化。由此获得的扰动波形与实际信号非常相似,可为后续算法性能测试提供强有力的数据驱动。截至目前,各类应用变换原理旨在提取特征的数学分析方法及分类识别算法已得到广泛研究和应用。结合当前机器学习,特别是深度学习的发展现状,本文创新地将非监督特征学习和自主分类功能引入电能质量扰动识别领域,构筑基于卷积神经网络-长短时记忆(CNN-LSTM)融合模型的电能质量扰动分类方法,并对此进行相关实验验证,整体获得了良好效果。期待本方法能够满足未来智能电网应用需求,为潜在电能质量事件提供快速准确的判别参考。