电能质量是指电力系统供给用户的电能品质的优劣,为了满足人们在日常工作生活中使用高品质电能的需求,对电能质量扰动信号的分析和识别显得尤其重要。本文在分析电能质量扰动检测的研究现状基础上,针对电能信号的分解、特征向量矩阵的构建以及分类识别等三个方面进行研究,提出一种基于去趋势多重分形(Multifractal detrended fluctuation analysis,MFDFA)及改进极限学习机(Extreme learning machine,ELM)的电能质量分析方法。首先,分析了几种常见的时频域分析方法的原理及特点,指出其各自的局限。提出基于MFDFA的电能质量扰动信号特征提取方法。MFDFA方法从几何层面上挖掘了电能扰动信号的分形特征,将信号划分为不重复的小段区间,使用最小二乘法对每一个小区间进行趋势拟合,确定区间的波动函数,得到信号的分形参数。通过广义Hurst理论及信号的多重分形谱分析证明了电能质量扰动信号的多重分形特性。其次,对得到的分形参数进行选择,挑选出能表征信号特征的三个分形参数。为进一步突出不同类型的扰动信号特性,计算了多重分形谱的样本熵和信号本身的能量熵,为电能质量扰动信号的分类识别提供特征向量。选择了三种常见的信号特征提取方法与MFDFA方法进行比较,实验表明本文方法在抗噪性和分类准确率上表现更优。通过分析ELM的原理及优缺点,提出一种基于帝王蝶优化算法(Monarch butterfly optimization,MBO)改进的分类模型。使用MBO算法对ELM中随机产生的权值及阈值寻优,确定最优网络参数,通过信号仿真实验确定MBO-ELM模型中迭代次数,激励函数和隐元个数的取值。最后,对本文提出的方法进行实验验证及实际应用。使用13种单一形及复合形电能质量扰动信号的仿真信号及承德某钢厂的电能质量信号的实测信号,证明了本文所提方法的有效性。同时将MBO-ELM模型与常见的几种分类器模型进行对比分析,证明本文方法取得了更好的识别效果。