配电网是电力系统的重要组成部分,随着新能源发电的日渐多样化以及负荷设备趋向电力电子化,越来越多的分布式电源（distributed generation,DG）和电力电子设备接入到了配电网中,不仅使电网中数据量日益庞大,还令电能质量问题更为突出。为实现电能质量扰动数据的高效采集、精确识别和综合治理,提升电能质量监测和控制手段,本课题开展基于分布式压缩感知的电能质量扰动识别及治理方法研究。首先,针对配电网中电能质量数据日益庞大且采集和存储困难的问题,提出一种基于分布式压缩感知和边缘计算的电能质量数据压缩存储方法。结合同步正交匹配追踪算法和K-SVD（K-Singular Value Decomposition）字典学习算法提出了一种自适应联合重构算法,将该方法应用到以分布式压缩感知为边缘算法的云边协同框架中,在云端通过对边缘上传的字典原子和测量值进行分析实现电能质量数据的压缩分区存储,为后续电能质量扰动识别和治理方法研究奠定基础。其次,针对电能质量扰动数据分类特征提取困难和易受谐波干扰的问题,提出一种基于压缩感知的电力系统扰动数据采集与分类算法。对典型单一和复合扰动数据进行建模,结合扰动数据的稀疏特征、自适应字典原子的标准差、峭度、裕度因子和主频率个数5种特征作为扰动数据的分类特征,并利用BP（Back Propagation）神经网络实现样本学习与分类。具有分类识别精度高,抗干扰性强等优点,有利于电能质量扰动的针对性治理。最后,针对配电网中谐波污染高渗透、分散化治理困难的问题,提出一种基于分布式压缩感知的谐波污染分区治理方法。将配电网中各节点电压数据在相同字典原子下进行分解,获得对应的谐波电压稀疏分布特征。然后综合考虑各分区内节点间稀疏特征的欧氏距离之和与总分区个数间的关系来设计遗传算法适应度函数,实现了配电网谐波的快速分区治理。通过IEEE 33和IEEE 14节点配电网模型进行验证,仿真表明本文所提方法更容易感知配电网中谐波污染的情况,具有计算量小、抗噪性强的优点,为配电网谐波污染定位和治理提供重要参考。