电能质量是衡量供电系统是否正常的一项重要指标,由于新能源发电的并网及各种非线性负荷的接入,使得电能质量问题越加严重和复杂。为了提高电能的质量通常在进行各种补偿措施之前,需要对不同的电能质量扰动(Power Quality Disturbances,PQD)实现类型的分类与特性的检测。在真实环境中投入运营的电力系统,其存在的电能质量扰动在同一个时间段内并不可能是仅仅由一种构成,而是由许多种扰动在信号波形上叠加而成的,所以研究这些信号波形的检测算法对于后期的改善具有重要意义。针对扰动类型繁多且识别难度较大的问题,本文首先分析了扰动类型的定义,利用改进后的小波算法解决了信号波形中存在大量冗余数据与噪声的问题。由于S变换时频精度不能满足复合扰动的需求,故本文提出了分频改进S变换(Frequency Divided S Transform,FDST)检测算法,并进行了仿真对比分析。最后设计了基于径向基函数(Radial Basis Function,RBF)神经网络用于扰动类型的识别,并利用粒子群优化(Particle Swarm Optimization,PSO)算法对网络参数进行了定量求取,通过对测试数据样本识别验证了基于高低频S变换的算法更适用于多扰动叠加的情况。主要研究内容如下:(1)研究了电能质量的分类及定义。详细地分析了不同单一扰动信号波形的数学特性,并构建了多扰动叠加的数学表达式。同时为了对电力系统采集的数据进行预处理,将常用阈值进行了再次改进,验证了对数据去噪的效果。(2)研究了基于S变换在信号波形处理中的应用原理。将需要处理的信号通过S变换算法处理后可以得到反映其特征的各种参量,修改窗宽因子可以提高算法的时频性能。(3)研究了不同窗宽调节系数对检测算法时频分辨率的影响,并由此提出了高低频改进S变换时频处理方法,并给出了推导过程。仿真结果表明,与传统移相检测法相比,扰动信号起止时刻、幅值、频率的检测精度更高,更加利于扰动特征量的提取。(4)研究了RBF神经网络的原理。利用高低频改进S变换提取了用于识别分类的特征量,通过RBF神经网络的局部响应特性,极大提高了网络训练的速度,同时采用PSO算法对网络中的部分参数进行优化计算,并比较了参数优化前后的识别准确度。仿真结果表明,基于高低频改进S变换和RBF神经网络的检测识别算法准确率高,不同噪声下结果几乎一致,更加符合日常真实电力系统中扰动的分析。