随着科技水平的不断发展,电力系统的规模日益扩大,大量新兴电力电子设备并入电网使用,带来了各种各样的电能质量问题。因此,采用有效的办法在线监测电能质量的动态并且对呈现的问题进行及时的分析处理显得至关重要。对电能质量数据的采样并压缩是分析处理电能质量问题的前提,传统的电能质量数据采样和压缩方法均以香农采样定理为基础,信号的采样频率必须严格满足大于等于两倍的原始信号频率,这导致了数据量的庞大,并且给数据的存储和传输造成了巨大的压力。压缩感知理论的出现能够有效地解决此类问题,它以一个远低于香农采样频率的值采样,采集到的数据就是所需要的数据,最终通过适当的重构算法来精确重构出原始信号。本文首先深入探讨了压缩感知理论基本原理以及压缩感知理论体系框架的三个重要方面。根据电能质量的定义以及国际标准,利用MATLAB构建了各类电能质量信号模型。针对不同电能质量信号各自的特点,分析了电能质量信号在压缩感知理论体系框架下分析处理的可行性。本文重点研究了压缩感知电能质量低采样率数据的重构方法。在压缩感知理论中信号采样压缩基础之上,提出了两种不同的电能质量数据重构方法,分别是正则化自适应匹配追踪(RAMP)重构方法和回溯自适应匹配追踪(BAOMP)重构方法。各类电能质量信号的稀疏度大都需要预估,而这两种方法中自适应稀疏度的能力刚好能够解决此问题。最后的仿真实验结果表明,RAMP方法应用于大多数电能质量信号的重构效果良好,重构性能指标基本满足电能质量信号分析的要求。针对RAMP方法对暂态振荡信号和电压脉冲信号重构效果不理想的情况,BAOMP方法利用其回溯的特点,有效改善了它们的重构效果。对比仿真实验结果表明,RAMP和BAOMP两种电能质量数据重构方法在重构率、重构信噪比和均方误差等主要性能指标上比传统贪婪类重构方法优越,在电能质量数据的分析处理领域体现出了一定的应用价值。