随着电力系统接入大量的非线性设备,谐波污染问题日趋复杂,给供用电双方带来巨大的经济损失。有效确定系统中谐波源位置是制定谐波治理方案的前提,是减小消除谐波危害提升电能质量的关键环节,然而现有谐波源定位方法都存在些诸如缺少基础数据、难以应用等的局限性,对此,本文开展基于盲源分离和深度学习方法的谐波源定位方法研究。首先分析了现有谐波源定位方法的原理,并论述了基于盲源分离和深度学习实现谐波源定位的可行性,确立研究的基本思路。然后,针对现有方法无法估计谐波源数量的问题,提出了一种通过计算系统内谐波电压数据主特征值数量估计谐波源数量的方法。针对现有方法定位时需要难以获取的谐波阻抗矩阵的情况,提出了一种基于时频域盲源分离算法的谐波源定位方法,以系统内节点谐波电压作为唯一已知量测量,各谐波源发射的谐波电流为待求的状态量,包括谐波源数量估计,利用时频域盲源分离算法估计谐波电流,计算谐波电流估计值与谐波电压实际值之间的相关系数确定谐波源位置三个步骤。在IEEE-30节点系统测试了两个方法的性能,结果表明,所提方法能够在不需要网络参数和拓扑结构的情况下准确地实现系统内全部的谐波源定位,具有良好的抗噪性。针对盲源分离算法在定位时需观测网络全部节点谐波电压的问题,利用系统存在的主要谐波源谐波电流监测历史数据及关键节点谐波电压监测数据,提出了一种基于长短时记忆网络(Long short term memory network,LSTM)的谐波源实时定位方法。第一步,根据相关系数筛选谐波电压数据;第二步,利用历史数据训练LSTM模型使其能够准确表达谐波源发射电流与量测节点谐波电压映射关系;第三步,将监测节点实时采集的谐波电压数据输入训练完成的LSTM模型中,输出谐波电流的实时估计值,完成系统内主要谐波源的实时追踪定位及其发射量的准确估计。最后利用仿真数据验证方法的有效性。