雷击是引起电力系统故障常见的原因之一,雷击时的电压高达2000k V以上,可导致电力设备和输电线路被击穿,造成绝缘子的闪络从而引起严重的跳闸事故。据统计,每年雷击引起的电力输电线路跳闸事故占总事故的40%以上,雷击事故严重影响了电力的安全生产。因此雷击波形的识别分类对电力系统安全稳定生产具有重要的意义。现阶段,雷击波形识别以机器学习的方法为主,深度学习相关研究较少,本文尝试性地提出基于时频分析算法与深度学习的结合,探究不同的时频分析算法与不同的深度学习模型结合的优劣,实现对雷击波形识别的改进。本文使用PSCAD/EMTDC电力仿真软件,并考虑了输电线路频率相关模型,雷电双指数模型,杆塔分段阻抗模型,避雷器模型,绝缘子模型,建立了220k V输电线路模型,并根据不同的相位角,双指数波形,幅值,故障点距离等初始条件,仿真出感应雷击,反击故障,绕击故障,反击干扰,绕击干扰,短路故障等6种波形,从时域的角度对雷击波形进行初步的分析。本文提出了时频分析与深度学习结合的方法,为了探究不同的时频分析算法对雷击波形识别的效果,根据相关文献,选择了短时傅里叶变换,小波变换,以及Hilbert-Huang变换3种时频分析算法,在matlab软件上对雷击仿真波形进行时频分析,得到对应的时频谱数据集。借鉴了图像分类识别与语音识别的思路,本文选择了Resnet18和LSTM两类深度学习网络进行分类实验,以3类时频谱数据集作为模型的输入,使用了批量标准层,drop-out,从雷击波形的实际工程特点出发改进了损失函数,从而对模型进行优化。本文以损失函数的下降程度与验证数据集的正确率为准则,分析比较不同时频算法与深度学习网络结合的实验结果,最后提出小波变换与Resnet18网络两者结合作为雷击波形识别的主要模型。该主要模型在雷击仿真波形的总平均识别率达到了98.26%,与前人使用时频分析与机器学习RVM结合的算法对比,本文模型在反击故障和绕击故障这两类雷击波形的识别率上有着较大的提升,从而验证了该模型的有效性。