随着科技的发展和进步,大量高效率的精密用电器接入到电力系统中,对电能质量提出了更高的要求。与此同时,越来越多的非线性电力电子器件和具有随机波动特性的新型能源不断投入使用,造成电力系统产生信号波形畸变、电压不稳定、谐波成分增加等电能质量问题。电网中的电能污染日益严重,对电网安全和用电设备稳定运行造成了潜在威胁,电能质量信号识别问题已经成为业界研究的热点之一。本文针对复杂电能质量扰动信号辨识问题,基于多分辨率S变换理论,完成扰动信号的特征提取,结合决策树分类器和卷积神经网络知识,实现对复杂电能质量扰动信号的快速识别。模拟仿真和实际数据处理结果表明本文方法在识别准确率和时效性方面具有优势,可满足实际电网对于扰动信号识别的要求,具有一定的实际意义和应用前景。具体研究成果概括如下:针对标准S变换时频分辨率变化不灵活的问题,本文提出了一种多分辨率S变换方法。通过引入调节因子对高斯窗函数特征进行调整,实现时频分辨率灵活设置,提升算法的时频分析能力。同时通过最优问题求解理论,实现多分辨率S变换关键参数自适应确定,满足电能质量信号处理实际需求。在此基础上,本文从统计学角度出发,从能量演变和频率变化角度刻画扰动特征,构建扰动信号特征统计量,对扰动信号局部能量和局部频率的变化趋势进行定量表征,为电能质量信号的识别奠定基础。最后,结合决策树分类理论,通过比较不同扰动信号在特征值方面的差异,实现复杂扰动信号的准确识别。结合机器学习理论,将一维卷积神经网络应用到电能质量信号识别领域。在多分辨率S变换时频分析的基础上,结合二维卷积神经网络特点,搭建一维卷积神经网络分类模型,实现电能质量扰动信号的智能识别。具体地说,利用多分辨率S变换可灵活调节时频分辨率和卷积神经网络泛化能力强的优势,有针对性地提取扰动信号特征,将局部能量和局部频率作为输入,训练深度学习网络,在准确识别扰动信号的同时,克服了传统方法可迁移性弱,易产生过拟合的不足。最后,将本文方法同其他方法进行比较,从识别可靠性和运算效率等方面对算法性能进行了验证。