随着智能电网建设的不断深化和新能源并网技术的日益成熟,电力来源和负荷的组成发生了很大变化。风电、光伏发电等分布式、间歇式电源并网对电力系统带来一些列电能质量问题,例如谐波污染、暂态振荡等。因此,电能质量问题已经成为供电部门和广大用户共同关心的问题。治理电能质量问题的前提,就是要对电能质量扰动信号进行有效的辨识。因此,本课题分别从特征提取和模式识别这两个方面对电能质量扰动辨识问题展开研究。在特征提取方面,本文使用了基于改进希尔伯特变换（HHT）的方法。该方法将原HHT变换的经验模态分解（EMD）部分用变分模态分解（VMD）进行改进,并利用边际谱对能量敏感的特性,提取有效时频信息。在模式识别方面,本文构建了两种电能质量扰动辨识模型:（1）基于VMD-PCA-SVM的电能质量扰动辨识模型。本文将支持向量机（SVM）和主成分分析（PCA）有机结合在一起,构建PCA-SVM模型。通过Matlab2019a搭建仿真平台,产生批量的扰动信号,加入高斯白噪声,然后用改进HHT算法提取边际谱,并用PCA降维,输入SVM中训练和测试。实验结果表明VMD-PCA-SVM模型在信噪比（SNR）为30 d B、40 d B和50 d B的条件下,对单一扰动和双重扰动的辨识准确率均超过99%;在SNR=20 d B的条件下,对双重扰动的辨识准确率也超过96.5%,可见其良好的准确率和鲁棒性。（2）基于VMD-DBN-ELM的电能质量扰动辨识模型。文中将极限学习机（ELM）和深度置信网络（DBN）相结合,构建深度置信极限学习机（DBN-ELM）模型,并结合改进HHT算法,用于电能质量扰动辨识。实验结果表明,该模型同样具有良好的准确率和鲁棒性,在SNR=20 d B条件下,双重扰动辨识准确率相比VMD-PCA-SVM提升1.0%。本文所提出两种电能质量扰动辨识模型,是VMD和机器学习在电能质量扰动辨识领域的应用和拓展。通过仿真实验,证明这两种模型的有效性,为电能质量扰动辨识提供了两种有效解决方案。