随着电网建设的不断推进及负荷多样化的发展,电能质量问题日益凸显,分析和改善电能质量成为当前的重要研究课题。原子稀疏分解通过构建符合信号特征的过完备原子库,实现信号的自适应分解,在电力系统信号分析领域受到了广泛关注。本文基于原子稀疏分解的思想,对电能质量扰动分析、数据压缩、系统谐波检测进行研究。过完备原子库中原子数目较大及匹配追踪算法需遍历整个原子库以寻求最优解使得原子稀疏分解的计算量非常大。对此,人们选择智能优化的匹配追踪算法以降低算法的复杂度,但信号分解的参数提取精度却明显降低,再加上匹配追踪算法自身存在的短视和误差累积效应,分解过程中出现参数提取不准确及无关分量等问题,干扰信号的准确检测。本文针对粒子群优化算法存在的上述问题,提出了粒子群动态搜索(Particle Swarm Optimization Dynamic Search,PSO-DS)算法,根据快速傅里叶变换和小波变换提供的先验信息,对算法的参数搜索范围和最佳原子的搜索方式进行优化。仿真分析表明,PSO-DS算法通过几次分解便可有效地提取信号特征,并在算法初期有效地避免了无关分量和错误分量的产生,提高了信号检测精度及信号表达的简洁性与准确性。随着电网建设的智能化和信息化,电能质量检测数据非常庞大,为数据的有效存储和传输造成较大困难。原子稀疏分解可以通过分解参数和原子库实现信号重构,而分解参数相对于原信号而言数据量非常小,可以实现信号的高压缩比。本文在PSO-DS算法的基础上进一步研究电能质量扰动信号的压缩重构性能,并从压缩率、信噪比、均方误差百分数以及能量恢复系数四个方面对算法的压缩重构性能进行了全面评价。仿真分析表明,基于PSO-DS的压缩方法在98%高压缩率的情况下,能量恢复系数均在99%以上,信噪比达到39dB。压缩率在95%时,信噪比可以达到55dB,与小波包压缩算法相比,在信噪比接近的情况下,压缩率高出15%~20%。最后,本文研究了原子稀疏分解方法在系统谐波检测方面的应用,对原子库的构建、算法具体实现、算法复杂度以及算法检测性能四个方面进行分析,并与瞬时无功功率理论的谐波检测方法进行比较,验证了算法在谐波检测方面的有效性和优越性。