随着越来越多的分布式电源、电动汽车和其它非线性设备连接到电网中,电网中出现了各种电能质量扰动问题。并且由于智能仪表和各种智能采集设备的投入使用,导致系统中产生了海量的电能质量数据。大量的电能质量数据不但给当前电力系统的数据传输和存储带来了巨大的负担,也使电能质量的分析更加复杂化。为了减少通信压力和存储容量紧缺的问题,应用较少的数据量实现对电力系统的有效分析是智能电网的发展趋势。电能质量数据的处理与分析对电网运行至关重要,如何运用更少的数据量对其进行更加快速准确的处理成为一个十分重要的问题。针对电力系统中节点数量较多的特点,本课题引入分布式压缩感知和字典学习对电能质量数据进行压缩和联合重构以减小数据传输量并加快数据处理速度。首先在PSCAD中模拟出分布式的IEEE14节点系统,利用此模型分析了电能质量数据的相关性和稀疏性。为了更好地使信号稀疏化,构造了适用于电能质量数据的分布式压缩感知学习字典。仿真结果表明,使用分布式压缩感知学习字典对电能质量信号进行稀疏化要优于使用传统的傅里叶基,并且使用分布式压缩感知可以在数据量减少1/3时,仍可以保证重构数据的精度,大大节省了系统的存储空间,同时也使重构速度提升了 3/5。此外,针对现有的电能质量扰动识别方法普遍存在识别速度较慢,识别准确率较低等问题,本课题提出一种简单但有效的识别方法,即基于单向表示字典学习的电能质量扰动快速识别方法。首先对电能质量数据的训练样本进行训练得到与各个类别对应的子字典,提出单向约束以使样本在字典中的表示系数方向可以区分,然后通过计算测试样本的表示系数方向以及大小来区分所属类别。仿真结果表明,本文所提方法不但准确率高于现有的识别方法,而且计算效率也有较大提升。