微电网对提升现代电力系统的灵活度和经济性具有格外重要的作用。通过微电网的广泛部署，实现了高效、环保、高可控的电能分配，给未来弹性电力系统的建设打下了基础。然而，由于新能源渗透率的增加，大量非线性变换器和负载的接入，现代微电网不同于传统电网，发生电能质量扰动的频率将显著提升。更糟糕的是，由于微电网内部源、荷、储等单元分布式互联，将会产生电能质量复合扰动。因此，为了提高微电网的稳定性，减少电能质量复合扰动带来的各种损失，亟需对其进行准确、实时、智能的监测与识别，以对症下药，确定具体的治理措施。
　　目前，电能质量扰动的识别算法可以分为两类——基于人工特征工程的传统三段式机器学习算法和基于自动特征工程的深度学习算法。第一种算法由于人工有效特征提取的脆弱性，对信噪比低的情况，识别精度较差。第二种算法利用监督学习的思想，虽然具有很强的鲁棒性和很高的分类精度，但是其需要部署在远离数据采集装置的云服务器上，有数据传输延迟长的问题，使算法的实时性变差。针对这些问题，本文对基于嵌入式平台的电能质量复合扰动智能实时辨识方法展开研究，具体工作如下:首先，阐述深度学习模型的核心组成部件及其识别原理，分析不同模型能够处理的张量维度，明确了可应用于电能质量复合扰动识别的模型种类。然后，推导了电能质量复合扰动的离散方程，为后续数据集的构建奠定了基础。
　　其次，针对电能质量复合扰动具有平移不变性的特点，使用卷积神经网络进行扰动识别。由于该算法计算量大，实时性差，分析了其运算量、存储开销评估方法，并推导出了用于电能质量复合扰动识别的实时卷积神经网络设计准则。基于此，提出了基于“二维卷积神经网络+语谱图”和“一维卷积神经网络”的两种实时识别方法。通过与其他深度学习方法的对比，验证了提出的两种算法的实时性。
　　再次，针对云服务器数据传输延迟大的问题，利用边缘计算的思想，采用嵌入式设备作为所提算法的运行平台。通过将基于浮点数运算的神经网络模型转化为基于定点数运算的神经网络模型，为算法从GPU平台移植到嵌入式平台提供了基础。鉴于卷积运算和池化运算的高度并行性，采用FPGA作为算法加速平台，并设计了并行化处理的卷积、池化硬件运算模块及其软件驱动程序。通过与ARM-A9微处理器的对比实验，验证了运算模块的加速效果。
　　最后，搭建了电能质量复合扰动嵌入式实时识别平台，并进行了实验验证。结论为:所提方法能实现电能质量复合扰动的实时识别、具有不间断实时扰动识别的潜质，并保证在低信噪比环境下平均识别精度高于98％。