随着现代电力电子技术、微电网技术的发展,越来越多的非线性电力电子器件以及冲击性负荷涌入电网,引发了一系列电能质量问题。电能质量恶化给电网带来的危害难以估量,对电能质量进行检测和识别是电力系统故障分析和处理的前提。传统的电能质量检测方法存在扰动定位误差较大、受噪声影响大、单一算法检测不够全面等问题,普适性较差。为此,本文研究了基于长短期记忆网络的电能质量扰动信号检测与识别方法。主要研究工作如下:综述分析了国内外电能质量检测和识别方法的研究进展,分析了时频域信号处理方法和机器学习分类算法,并归纳了主流特征提取和识别方法。针对传统方法扰动定位误差大、受噪声影响大、检测项不够全面等问题,研究了基于长短期记忆网络（LSTM）时域残差的电能质量扰动检测方法。用LSTM回归模型对电压信号进行估计,再求二者之间的差值——残差信号,通过对残差信号阈值处理获取突变位置,定位扰动起止时刻;通过稳态分量估计值与电压信号的过零点匹配获得波形位移程度,检测相位变化;通过计算残差信号幅值大小检测电压信号幅值变化。数值实验和工程实验表明,与传统方法相比,该方法能够同时定位扰动的起止时刻、确定扰动幅值和相位变化,检测精度较高,抗噪性强。针对电能质量扰动特征提取易受人为和噪声等因素影响的问题,提出基于长短期记忆完全卷积网络（LSTM-FCN）的电能质量扰动识别方法。该方法将扰动信号同时输入由LSTM网络和全卷积网络并行组成的识别模型,将两类网络同时提取到的特征进行融合,模型将自动识别融合特征并判断扰动类型。实验表明,该方法对电能质量扰动现象具有较高的识别率,抗干扰能力强,通过工程实验验证了在电网故障诊断分析领域的可行性。为了进一步提取隐含的扰动特征信息,在LSTM-FCN网络的基础上,对LSTM层引入注意力机制二次筛选环节,以选择更加有效的特征,再将其与全卷积网络提取的特征进行融合,在此基础上进行扰动识别。实验表明,引入注意力机制的扰动识别方法能够更加有效地学习扰动特征,改善了预测精度和稳定性,具有更好的泛化性。