1.一种压缩感知和深度卷积神经网络电能质量扰动分类方法，其特征是，步骤如下：
1)建立电能质量扰动信号模型，对电能质量扰动进行分析，通过分析电能质量扰动压缩重构成功率与压缩比的关系，确定观测矩阵的维数m值，确定电能质量扰动的压缩感知采样方法，对电能质量扰动进行采样，采集电能质量扰动的压缩数据；
2)针对采集的压缩数据，设计一种基于深度学习的分类器，该分类器的结构设计解决压缩数据中噪声干扰的问题；
3)根据步骤3设计的分类器和步骤1采集的数据，训练一个适用于电能质量扰动分类的模型；
针对实际扰动数据不平衡和实际采集的数据量不足问题，采用数据增强的方法对实测数据进行处理。
2.如权利要求1所述的压缩感知和深度卷积神经网络电能质量扰动分类方法，其特征是，所述步骤1)中，根据ieee1159标准搭建各种电能质量扰动模型，并通过压缩感知技术，对电能质量扰动信号进行分析，采用逆离散余弦变换idct(inversediscretecosinetransform)作为稀疏基，
离散余弦变换dct(discretecosinetransform)的变换矩阵表示如下式所示：
其中i∈{0,…,n-1}和j∈{0,…,n-1}表示矩阵的行号和列号，c的定义式：
由于dct矩阵是正交的，因此通过执行矩阵转置操作来获得其逆矩阵：
idct＝dct-1
采用idct作为稀疏基，采用随机观测矩阵作为观测矩阵。
3.如权利要求1所述的压缩感知和深度卷积神经网络电能质量扰动分类方法，其特征是，所述步骤2)中，为了能对压缩数据进行直接分类电能质量扰动，根据压缩数据的特点采用深度学习网络结构：
(1)采用一维卷积
1-d卷积层：卷积层是深度学习自学特征提取的关键步骤，通过构建过滤器来感知小的感知域的重要特征，第l层中的滤波器数量是fl，xi是输入1-d矩阵(n×1)，滤波器内核表示为k(k×1)，第fl滤波器的卷积层输出表示如下：
其中m＝nk+1，f(x)是激活函数。它实现了从输入到输出的神经元的激活，
(2)电能质量压缩数据的采集和传输过程会产生噪声的干扰，为了抑制噪声干扰对分类准确率的影响，网络首层采用宽内核设计，卷积核为64*1，来滤除噪声。因为宽内核提取不到局部特征，在后续的网络中卷积采用3*1的内核设计；
(3)网络为3层卷积层，1层全连接层和softmax层。
4.如权利要求1所述的压缩感知和深度卷积神经网络电能质量扰动分类方法，其特征是，在所述步骤3)中：
(1)批量归一化：通过增设批量归一化bn(batchnormalization)层来对每一层进行归一化处理，且在卷积层或完全连接层之后并且在激活单元之前添加bn层，bn层的转换描述如下：
其中，zl(i,j)是一个神经元响应的输出，
(2)高级优化器：在训练过程中，每个层的权重由称为“优化器”的函数更新，通过分析不同优化器对网络的影响来确定网络采用的优化器；
3)小型小批量训练：使用较小批量计算梯度的近似值然后更新参数
数据增强操作采用的是随机裁剪，适度增加随机噪声，对信号进行反转操作，同时对所有操作的信号进行随机抽取验证，确保数据增强后的数据属于扰动类别数据。