随着低碳环保的概念推广普及,电力消费者对绿色电能的质量要求也逐渐提高。在复杂的大型工业电力系统的运行过程中,由于电压电流信号易受严重干扰,使得监测设备难以分析大量实测电能质量扰动数据。此外,非侵入式电力负荷识别技术能够获取电力消费用户的设备运行条件信息(例如何种设备在运行及其运行状态),这些信息对于电力需求预测及估计十分有利,而目前的非侵入式电力负荷识别技术仍有提升空间。为此,本文旨在研究电能质量扰动识别与电力负荷类型识别,研究内容如下:(1)电压暂降类型识别。由于电能质量扰动种类繁多,本文只选取电压暂降识别作为研究内容之一。特征提取是电能质量扰动识别的关键步骤,然而传统的数学变换与浅层神经网络相结合的方法无法自动提取特征。为此,提出了一种基于卷积神经网络(CNN)和随机森林(RF)的混合模型来对三相电压暂降数据进行自动特征提取及分类。首先,将三相电压暂降数据转换为空间相量模型(SPM);其次,利用CNN对SPM进行特征提取;最后将RF应用于分类。为了加快CNN训练速度并缓解过拟合,本文引入了Dropout、学习率指数衰减和自适应矩估计权值更新算法。实验结果表明,与其他分类方法相比,所提方法具有较好的泛化性能和较高的分类准确率,这为电压暂降识别提供了一种客观、高效的辅助手段。(2)电力负荷类型识别。鉴于现有算法中存在的泛化性能较差、易陷入局部最优解等问题,本文设计了一种改进型降噪反卷积自编码(IDDAE),通过特征提取与重建,对多种类别的实测电力负荷数据进行分类。在网络的镜面对称结构中,卷积模块能提取数据的显著特征,反卷积模块能降低数据冗余性并保留数据中具有较高激活值的区域。文中数据预处理降低了数据维度和空间复杂度。为了提高模型的收敛速度和分类准确率,本文采用了无监督预训练和正则化。实验结果表明,与其他算法相比,所提方法具有较高的泛化性能和识别率。