电能质量扰动问题复杂多样,对各种扰动类型进行检测和识别是改善电能质量的前提。本文针对电压扰动参数检测、特征提取问题,重点研究改进和优化S变换(S-Transform,ST)特征提取方法,并利用多特征提取及多分类器融合实现电能质量扰动的协同分类。首先,针对广义S变换(Generalized S-Transform,GST)的参数优化困难问题,提出一种优化广义S变换(Optimized Generalized S-Transform,OGST)并应用到电能质量扰动参数检测中。对基频点处的调节参数独立设置突出时域扰动特征,便于其他频点的参数优化专注于频域扰动,使得OGST能同时表征较高精度的时域扰动和频域扰动信息。提出确定参数的优化指标,使参数的求取具有自适应性和理论依据。实现对扰动起止时间、扰动幅值、谐波成分等扰动参数的检测。仿真数据及实测数据分析表明OGST抗干扰能力强、检测精度高。其次,针对电能质量扰动分类困难问题,提出一种改进广义S变换(Modified Generalized S-Transform,MGST)与极限学习机(Extreme Learning Machine,ELM)结合的电能质量扰动识别新方法。针对GST窗函数调节不灵活在低频区和高频区失去高斯属性的问题,对GST中的窗函数引入2个调节参数进行改进,使时频分辨率的调节更加灵活。根据电能质量扰动信号的MGST分析结果,提出四种扰动特征作为特征向量;利用ELM分类器对15种电能质量扰动进行分类。仿真数据和工程数据的分析结果表明,本文方法具有更好的抗强噪声性,分类精度更高。再次,针对电压暂降扰动特征提取困难问题,提出一种自适应优化S变换(Adaptive Optimal S-Transform,AOST)。利用窗函数有效窗宽与扰动信号频谱匹配确定窗函数标准差,无需引入其他调节参数和迭代计算即可确定最佳时域、频域分辨率。基于AOST的时频矩阵提出5种特征量来表征8种典型电压暂降扰动的特征信息。利用模糊聚类FCM(Fuzzy C-Means,FCM)、GG(Gath-Geva,GG)及ELM对提取的特征向量进行分析。仿真结果表明,AOST比ST具有更高的时频分辨率可以提取更准确的特征量。最后,利用多特征提取以及多分类器协同分析,实现电压暂降扰动的分类。将本文方法(AOST)、小波变换(Wavelet Transform,WT)及希尔伯特-黄变换(Hilbert-Huang Transform,HHT)相结合,提取更加丰富的特征信息。提出区分度对特征量的区分能力进行评价,对相关系数和互信息进行融合,提出利用特征量之间的整体相关性实现特征量的排序,并利用遗传算法和ELM实现特征选择。对分类器性能和差异性进行评价,并提出一种多分类器自适应加权融合分类方法,实现对20种典型电能质量扰动类型的协同分类。分类结果表明,与单一分类器相比多分类器的分类精度、稳定性和抗干扰能力均有所提高。