为掌握电网运行状态,挖掘量测指标信息,解决电能质量问题,国家电网以大数据计算中心为核心,建成了集中式架构的电能质量监测系统。传统的集中式架构易造成数据采集端和处理端的数据堆积,使得数据计算延迟不断增长,且无法有效保护隐私数据集,多数据中心的分布式体系架构已成为新的趋势。为实现隐私数据集与公共数据集的分级存储,减少数据传输的时间,监测数据的合理布局是分布式体系架构需关注的关键问题。同时,为进一步降低数据传输时间,提升系统工作效率,本课题还研究了电能质量监测数据的压缩方法。具体开展的研究内容和研究结果如下:1)针对电能质量监测数据的布局优化问题,提出了一种基于聚类-遗传算法的数据布局策略,该方法基于数据依赖度聚类的初始群体生成算法,使初始种群中的个体具有一定聚类精度并有较强的多样性。初始种群生成算法与自适应遗传算子互相配合,有效增强了算法的寻优能力。实验表明,该方法有效减少跨数据中心的数据传输时间,平均降低约15%,但也存在初始种群个体内聚类精度过低和个体间相似度过高的问题。2)进一步地,提出了基于改进粒子群算法的数据布局策略,使用马尔科夫随机游走与粒子群算法对布局策略进行改进。实验表明,该方法有效解决了基于聚类-遗传算法中存在的问题。3)针对电能质量监测数据存在数据文件体积大、冗余度高的问题,分析了监测数据的结构特点和时序特征,设计了一种基于概要森林和时间差分处理的数据压缩编码方案。实验表明,该方案有效压缩监测数据文件体积,处理后的数据文件体积仅为原始数据的10%左右。4)基于上述研究结果,设计和实现了电网电能质量监测系统中的数据布局模块和数据压缩模块。