摘要(Abstract): 电能质量扰动的准确分类是改善和治理电能质量的前提。为提高电能质量快速检测的准确性，提出一种基于时频多特征和改进核极端学习机（kernel extreme learning machine

KELM）的电能质量扰动（power quality disturbance

PQD）分类方法。该方法首先利用小波变换和S变换提取各电能质量扰动信号的特征量，然后根据提取的特征量构造具有分类规则的KELM模型，并使用混沌粒子群优化（chaotic particle swarm optimization

CPSO）对KELM的参数进行自适应优化。实例仿真结果和对比分析表明，该方法能有效识别7种常见的单一扰动信号和10种复合扰动信号，并且抗噪声能力更强，分类精度高于KELM和PSO-KELM模型。该方法为电能质量的改善和治理提供了新的思路和方法。