随着智能电网建设的不断深化,电力来源和负荷的组成发生了很大变化。一方面,新型电器设备的使用,新能源的大规模并网,大量非线性、冲击性、波动性负荷的接入严重影响了电能质量的优质性。另一方面,越来越多精密度高的电子设备的使用对电能质量提出更高要求。电能质量扰动识别是电能质量监测和改善的关键,也是评价电能质量好坏的关键指标。在实际的电力系统中不仅存在单一扰动信号,同时存在多种扰动叠加在一起的复合扰动,因此电能质量复合扰动的识别至关重要。本文针对复合扰动信号的识别主要从特征提取和分类识别两方面展开:在特征提取方面,本文提出了基于改进S变换和小波能量分布的特征提取方法。该方法将小波变换的多尺度分析和改进S变换具有灵活的分辨率的特点结合,针对S变换进行深入研究,提出一种具有灵活分辨率的S变换。利用改进S变换分析扰动信号的时频信息,从每种扰动信号经过改进S变换得到的时频矩阵中提取采样点对应最大幅值中的最大值、最小值、均值、标准差、归一化均值、曲线偏度、峭度作为特征向量的一部分。利用小波变换用来提取扰动信号和标准信号之间的能量差,并将其作为特征向量的另一部分,与改进S变换提取的特征量结合作为总的特征向量。在分类识别方面,本文采用支持向量机作为分类器。针对支持向量机中参数选择没有一个明确有效的标准,利用粒子群算法对其进行优化,确定最优参数,最终提升了识别准确率。针对支持向量机分类性能的提升方面,提出了基于混合核函数的支持向量机分类器。利用混合核函数代替原有的核函数既保证了分类器的学习性能又兼顾了泛化性能,并且使扰动信号识别准确率有一定的提升。仿真实验结果表明:采用改进S变换提取特征量的识别准确率比采用S变换提取特征量提升了2.197%,采用小波变换加改进S变换提取特征量的识别准确率比改进S变换的识别准确率提升了5.303%,比S变换的识别准确率提升了7.5%;采用粒子群算法进行参数寻优后的支持向量机比未经优化的支持向量机的整体识别准确率提升0.9091%;利用混合核函数支持向量机分类方法兼顾了学习性能和泛化能力,识别准确率比单一核函数都有所提升,比径向基核函数的识别准确率提升2.1213%,比多项式核函数的识别准确率提升了3.0303%。