近年来,随着我国工业水平的不断提高,国家电力系统的总体布局也逐渐得到完善,人们的生活生产水平也有了明显提高。但是,在电能输送过程中,由于自然因素以及输电线路、用电设备自身的原因造成电能质量污染的现象也日益严重,造成的经济损失也越来越大。由于电能质量不好而产生的扰动信号的处理是一个复杂的问题,这些扰动信号进入到自动化装置、继电保护装置之后会对它们产生一定的损害,因此在扰动信号进入这些装置之前,对其进行检测、定位、识别与分类研究具有重要的现实意义。分析思路是:先判断电能信号中是否有扰动发生,如果有扰动则先对信号可能含有的各种噪声进行消噪处理,然后判断扰动发生的位置,最后判断扰动信号的类别,采取相应的措施以保障电能质量的稳定。本文在前人研究的基础上,以含有噪声的电压暂升、电压暂降、电压中断、短时谐波、冲击脉冲为研究对象,针对小波变换在暂态电能质量消噪方面对高频有用信号误滤除,而造成消噪后信号失真严重和毛刺过多等问题。提出一种经验模态分解(EMD)和奇异值分解(SVD)相结合的降噪方法。此方法首先采用EMD将噪声信号进行初步滤除,然后构造Hankel矩阵,然后根据奇异值的分布规律,提出一种改进的奇异值差分方法来确定有效奇异矩阵的阶次,据此完成消噪后信号的重构。并与六种传统的小波阈值去噪方法相比较。实验表明,本文方法具有良好的消噪效果,特别是对电压暂降和电压中断效果极为明显。对消噪后的信号,本文再次构造出二阶Hankel矩阵,并对其进行多层SVD包分解,选取特征信号明显的特征分量做差值来确定扰动信号的起始和终止时刻。实验表明,该方法相对于传统的方法具有一定的优越性。最后,为了提高暂态电能质量扰动信号的识别率,将计算机视觉领域表现优异的卷积神经网络引入暂态电能质量扰动信号的识别领域。该方法首先要将暂态电能质量的时间序列映射到极坐标下,并根据其在极坐标下的分布规律,将其编码为二维图片,产生相应的训练集和测试集,最后在轻量级的Alexnet网络下对二维图片进行训练并测试,实验表明:在卷积神经网络下,由时间序列映射的二维图片具有容易分辨的特征。实验模型对五种暂态电能质量扰动信号的识别率和传统方法相比具有明显的优势。卷积神经网络的引入对电能质量问题的研究具有一定的参考价值。