可再生能源在电力系统中得到了越来越多的应用,与之伴随的是电能质量扰动（power quality disturbances,PQDs）发生的概率变大,在用户端对电网稳定和电能质量要求逐渐增高的今天,对PQDs的分类研究具有重要的研究意义。本文利用深度学习中对二维图像和语言序列的处理方法,对各种电能质量扰动的数学模型、卷积神经网络和门控循环单元等深度学习模型、多任务学习建模方法以及多任务学习中的不确定性进行了研究,主要内容为:（1）将PQDs分为四大类单扰动以及由四大类单扰动组成的复合扰动,并根据其数学模型在MATLAB上生成了各种PQDs的数据集;介绍了深度学习的基本原理以及深度学习应用于电能质量扰动分类的优势;综合多标签分类和多分类的思想,提出将多任务学习分类方法应用于扰动分类,并提出了相对应的编码方法和损失函数,实验验证,多任务学习分类能获得更高的准确率。（2）为了解决传统扰动识别方法需要人工的特征提取,提出了一种基于多任务学习和一维卷积神经网络的PQDs分类方法,省去了传统分类方法的特征提取阶段,直接用待识别的原始信号作为网络的输入,输出分类结果,实现了端到端识别。仿真实验和实测实验结果表明,该方法相比传统方法和其他一些已知深度学习方法在不同信噪比下具有更高的分类准确率。（3）为了解决一维卷积神经网络对时间序列前后依赖度考虑不充分的问题,结合一维卷积神经网络,提出了一个卷积神经网络结合门控循环单元的深度学习网络结构。仿真结果和实测实验结果表明,相比单一的卷积神经网络结构,此结构可以有效提取出信号中时间依赖度较高的特征,有更高的准确率,尤其在提升暂态扰动的分类准确率方面提升明显。（4）研究了多任务学习的损失函数。为解决各子任务损失函数权重需要人工设置的问题,提出了通过多任务学习损失函数的不确定性加权,让不同的子任务拥有不同的动态权重,作为网络学习的参数随着网络训练的深入调整大小。将此优化方法应用于识别PQDs的深度学习网络结构中,在随机信噪比下得到更高的分类准确率的同时提升了系统的抗噪能力。