随着智能电网的大力发展和新能源的并网发电,电力系统中源、网、荷各个环节均对电能质量的高可靠性、高可控性、高暂态恒定性产生影响,从而对电网运行的可靠、稳定和使用安全性提出挑战。电压暂降是电力系统中难以避免且最容易引起敏感工业用户经济损失的电能质量扰动事件之一。实现电压暂降扰动原因的准确识别有助于干扰治理方案的及时制定和事故双方责任的明确界定,能够有效降低经济损失并解决相关纠纷,对实际生活生产具有重要的现实意义。考虑到深度学习算法能够有效克服传统方法凭经验构建特征样本的缺陷,并且在一定程度上能够解决传统神经网络迭代训练样本时易陷入局部最优解的问题。同时,其训练生成的模型能够自动提取特征参数,并且能够通过迁移学习和增量学习应对区域差异化和时变性。本文引入了深度学习算法中的自编码器、长短期记忆网络、卷积神经网络和深度置信网络,充分利用各算法本身的优点,提出改进算法和融合模型,对单一和复合电压暂降扰动原因进行识别。针对短持续周期的电压暂降信号,本文提出了基于双向长短期记忆网络和注意力机制的电压暂降扰动原因识别方法。针对长持续周期的电压暂降信号,本文提出了基于二维变换和深度学习模型融合的电压暂降扰动原因识别方法。本文从仿真数据和实测数据两个角度对所提出的方法进行训练和验证,实现了仿真实验的设计、仿真数据的采样、实验环境的配置和网络结构的搭建。同时,实现了对所有数据样本的滑动窗口等距截取、归一化、加噪和one-hot编码等预处理,从而为深度学习算法的训练提供可靠的数据支撑。通过实验的结果分析和对比验证,本文提出的基于双向长短期记忆网络和注意力机制的电压暂降扰动原因识别方法考虑到了电压暂降信号的时序性,在处理短持续周期、多维输入且时序相关的单一和复合电压暂降扰动原因的信号上具有明显的优势。本文提出的基于二维变换和深度学习模型融合的电压暂降扰动原因识别方法考虑到了电压暂降信号的时序性和周期变化性,同时通过模型融合充分结合了深度学习算法各自独特的优势,在处理长持续周期、多维输入且时序相关的单一和复合电压暂降扰动原因的信号上具有明显的优势。在实际工程中,本文提出的两个方法能够灵活适用于长持续周期和短持续周期两个不同的应用情景,在识别准确率、抗噪性能、泛化能力和实际应用价值上均好于传统方法。