微电网是分布式发电大规模应用的有效技术途径,是智能电网逐步代替传统电网的第一步,是实现主动式配电网的一种有效方式。但是,由于大量电力电子设备的使用,导致电网中出现畸变、波动、闪变和电压三相不平衡等严重影响电力系统安全、稳定、经济运行的电能扰动信号。本文围绕微电网电能质量扰动识别分类问题中的扰动信号特征提取与分类提出了一种基于深度卷积神经网络的识别和分类方法,同时设计了专门针对电能扰动识别与分类的神经网络。针对一维连续信号的特征提取和分类,论文提出一种以Inception-Res Net为基本架构的1D-MIR模型,用以提取电能扰动信号特征,与神经网络配合,构成1D-MIR深度卷积神经网络,对电能质量扰动进行识别和分类。该网络通过5层Inception-Res Net对一维连续信号特征进行提取,再由三层全连接层组成的神经网络对特征进行分类,提高了电能扰动分类的准确性,识别与分类可同时进行,简化了电能扰动识别分类的步骤,减少分类时间。针对1D-MIR深度卷积网络的训练和优化问题,论文提出一种基于词向量技术思想的样本标定方法,将样本的采样、样本数据增强以及标定融为一体,降低了训练的人工成本,解决了以一维连续信号作为样本的卷积神经网络训练无法标定的问题。接下来,采用自适应矩估计法(Adam)和随机失活技术(Dropout)对网络进行训练和优化。通过自适应矩估计法帮助网络找到全局(局部)最优解,使得网络快速收敛,同时通过Dropout技术对节点进行筛选,防止网络出现过拟合。最后,在以上研究基础上构建电能质量数据库,搭建1D-MIR深度卷积神经网络,对网络进行训练。仿真实验在网络实验平台上生成的数据和图表证明,该网络可以实现电能质量的生成、采样、标定、识别和分类。本文研究不仅为人工智能在电能质量扰动分类方面的应用奠定理论基础,也为电能扰动识别提供新颖、有效的方法和科学依据,可以达到快速、准确识别电能质量扰动的目的。