电能质量扰动信号复杂多样,扰动信号的准确识别可以为提高电力部门发电水平和和改善电能质量提供参考信息,对电力系统的稳定安全运行具有重要作用。论文在阐述电能质量特点、扰动类型及相关的特性参数基础上,提出基于遗传算法优化变分模态分解(Variational Mode Decomposition,VMD)谐波检测及高阶奇异谱的电能质量分析方法。首先,由于电网工作环境复杂,获取的电能质量信号参杂各种噪声。因此,论文提出基于变分模态分解和排列熵(Permutation Entropy,PE)的信号去噪方法和改进小波阈值去噪方法对获取的电能质量信号进行预处理,并采用排列熵作为评判依据,提供重构分量筛选标准。改进阈值函数和阈值选择,引入幂函数与调节因子构造新的阈值函数,实现阈值函数的调整,分层选择阈值更具针对性,通过对带噪声扰动信号的实验验证了两种方法都有良好的去噪效果,可以实现扰动信号与噪声的有效分离,VMD-PE更适合复合扰动信号去噪,而改进小波阈值去噪更适合单一扰动信号去噪。其次,在电能的扰动信号中,谐波信号混有多种频率成分,相对其它扰动信号来说更加复杂,更难检测。因此,论文针对谐波扰动信号提出遗传算法优化变分模态分解的检测方法,用遗传算法实现参数的自动选择,实验结果证明该方法具有良好的检测效果。然后,根据9种电能质量扰动信号和4种复合扰动信号的特点,引入高阶奇异谱分析(High-order Singular Spectrum Analysis,HSSA),对高阶累积量阶数的选择进行对比分析,选择四阶奇异谱分析作为本文方法。对各种扰动信号进行高阶奇异谱特征量化分析,结果表明高阶奇异谱可以表征扰动信号固有特性。取高阶奇异谱熵与信号能量两个特征作为分类器输入,对两个特征进行评价、分析,实验结果表明这两个特征有着很好的区分度且这两个特征的组合能有效区分多种扰动信号。最后,以仿真数据与实测数据为研究对象,选择决策树作为分类器进行扰动信号识别,实验结果验证了本文方法的有效性和优越性。