摘要电能质量扰动识别是智能电网运维中的关键技术问题。随着分布式能源的大量接入和非线性负载的普及，电网中的电能质量问题日益突出。本文系统地介绍了基于深度学习（特别是1D-CNN和LSTM混合模型）的电能质量扰动识别方法，提供了完整的理论解释、算法设计、代码实现和实验结果。文章还整理了公开可用的电能质量数据集资源，并给出了一个完整的端到端识别系统，包括数据生成、模型训练和评估的详细代码。本文适合电力系统工程师、数据科学家以及对智能电网感兴趣的研究者阅读。关键词：电能质量；扰动识别；深度学习；卷积神经网络；时间序列分类第一章：引言1.1 电能质量问题的背景在"双碳"目标的推动下，全球能源结构正在经历深刻变革。风电、光伏等分布式能源大规模接入电网，电力电子设备广泛应用，这些都给电网的电能质量带来了严峻挑战。电能质量问题不仅影响用户的正常用电，还可能造成设备损坏、生产中断甚至电网安全事故。国际电工委员会（IEC）和电气与电子工程师协会（IEEE）对电能质量的定义为："供电装置正常工作情况下不中断和不干扰用户使用电力的物理特性"。常见的电能质量扰动包括：电压暂升/暂降谐波畸变电压闪变瞬态脉冲电压中断