电力系统中日益增多的非线性负载及电力电子器件和不断发展的分布式发电、高压交直流输电、微网及电动汽车,都加重了电网的电能质量问题。国内外的研究人员针对电能质量相关课题开展了多方面的研究,成果丰硕。如今,新能源的大量使用和负载的多样性使得电网的电能质量下降,因此研究具有更高精度的电能质量特征检测与扰动识别算法迫在眉睫。另外,高精度分析算法会带来采样率的提高和数据量的增大,使得电能质量分析的实时性下降。因此,系统地研究高效的电能质量分析算法具有十分重要的意义。电能质量问题的研究主要从电能质量扰动特征检测、电能质量数据压缩以及扰动类型识别三个方面开展。本文在两项国家自然科学基金的支持下,以高精度、高识别率作为前提,围绕如何实现在时域和频域同时具备高分辨能力,开展了关于扰动特征检测、扰动成分压缩和扰动类型识别的研究。本文的主要研究内容如下:(1)提出了基于稀疏分解的电能质量分析方法。要保证电能质量扰动信号的检测、压缩、分类的高精度,减少其暂态成分与稳态成分的相互干扰是必须的。针对此问题,本文一方面研究了适用于分析电能质量信号的各类字典基,并说明了这些基在时域、频域或时频域的分析能力。同时提供了它们之间相关性的评价标准,该标准基于互相关度与Pearson相关系数,通过此标准证明了单位矩阵与傅里叶基的级联字典为最优联合域字典;另一方面,分析研究了几类贪婪算法用来求解稀疏系数,总结出了此类算法的应用场合以及在电能质量分析领域应用的改进方向。(2)为了避免傅里叶基虚部所带来的存储空间增大,本文提出了基于单位矩阵和哈特莱基(Hartley basis)的联合域字典。哈特莱基是哈特莱变换(Hartley transform)系数的矩阵化。由于哈特莱变换是傅里叶变换的去虚部线性变换形式,哈特莱基具有和傅里叶基相同的频域分析能力,是近似最优联合域字典。结合此字典,本文提出了一种基于联合域字典映射(Joint-domain dictionary mapping,JDM)的电能质量扰动参数估计算法。该方法能够将暂态成分和稳态成分独立开,并且所得结果为暂态扰动的时域波形和稳态扰动的频谱,进而可以准确地检测出各扰动成分的特征参数。与相关算法的对比实验表明该算法具有更高的检测精度与更好的抗噪性。不仅如此,实测数据实验验证了该算法在实际情况下的实用性与可靠性。(3)随着电能质量扰动监测点的数量不断增多,电能质量扰动波形的数据量也随之增大,因此需要对庞大的监测数据进行有效地压缩。本文基于联合域字典映射算法,提出了一种扰动成分压缩方法。得益于联合域字典能够独立表达暂态和稳态成分,并且输出各成分的紧支撑系数,该算法的压缩效果要优于对比的算法。为了快速完成字典映射,本文提出了一种联合域正交匹配追踪(Joint-domain orthogonal matching pursuit,JOMP)算法。JOMP通过小波变换和傅里叶变换分别对信号暂态及稳态成分在时域和频域进行定位,大大提高了字典原子选择的效率并保证了数据重构的准确性。在要求高压缩比的场合,JDM压缩算法较其他相关算法在压缩过程中能够更好地保证扰动数据的时域特征与频域特征的精确性。实测数据实验和现场监测数据实验表明该算法具有很好的压缩效果和应用前景。(4)本文提出了基于字典学习稀疏分解(Dictionary learning sparse decomposition,DLSD)的一种高精度快速电能质量扰动分类算法。首先,采用K-SVD算法训练得到学习字典,并通过组合单位矩阵和学习字典构建一种过完备字典。其次,通过计算稀疏分解系数获得扰动特征值和粗分类结果。为了精准识别扰动类型,本文设计一种决策树分类器。由于有检测得到的特征值和粗分类结果作为基础,该决策树结构简单易实现。为了自适应稀疏度变化同时降低计算复杂度,本文提出了一种快速自适应匹配追踪(Fast adaptive matching pursuit,FAMP)算法,FAMP算法采用了正规化原子选择方法。最后,基于仿真信号和实测数据的对比实验验证了DLSD算法的有效性和噪声鲁棒性。