随着越来越多的新能源发电并网以及软启动器、开关电源、UPS等非线性设备的应用,我国的电能质量问题日益加重。另一方面现代工业生产中应用越来越广泛的高精密电子仪器也对电能质量提出了更高的要求,然而治理和改善电能质量的前提条件是对它进行有效的分类。因此,如何提高电能质量扰动分类的准确率和效率成为了国内外学者的研究热点,受到了各国电力部门的密切关注。本文尝试把深度学习中的稀疏自编码器算法和深度森林算法应用到电能质量扰动分类中,以提高电能质量扰动识别准确率。首先,对电能质量的定义和标准进行了介绍,分析了当前电网中存在的电能质量扰动问题以及发生原因。以实际电网中存在的单一扰动、双重扰动和三重扰动为研究对象,并使用MATLAB生成了本文中所使用的实验数据,对其波形图进行了简要分析。其次,本文引入了深度学习算法中的稀疏自编码器,以替代现有的电能质量扰动识别方法中复杂的人为特征设计过程,利用堆栈稀疏自编码器自动提取电能质量扰动数据中的深层特征,从高维数据中获得低维的特征表达,从而简化了分类工作,并且克服了传统神经网络中的权重系数初始化存在随机性的缺点。另外,本文利用已添加高斯白噪声的数据对稀疏自编码器模型进行训练,提高了其特征表达的抗噪声能力。结果表明,该方法能够准确地识别9种电能质量扰动信号,其中包含两种复合扰动,并且具有很好地抗噪声能力。最后,提出了一种基于深度森林的电能质量扰动分类方法。稀疏自编码器作为一种深度学习算法,本身需要大量的实验样本对该模型进行训练。所以当样本数据很小的情况下,该方法对电能质量扰动的分类效果不是很理想。受深度学习表层学习和逐层学习思想的启发,在原有随机森林的基础上增加了多粒度扫描和级联森林过程形成了同深度学习算法一样具备很强特征提取能力的深度森林算法。与稀疏自编码器不同,深度森林算法受益于多粒度扫描过程中的维度扩展,使得深度森林算法可以在样本数据很少的情况下尽可能地挖掘数据的特征,实验结果表明该方法能够在样本有限的情况下准确识别包含双重甚至三重复合扰动在内的20种电能质量扰动。