随着智能电网在各国的研究深入以及电网环境的复杂化,电能质量问题越来越严重,因此对于电能质量数据处理的需求也越来越急迫。本文主要着眼于以下两个问题:第一,随着国内各省监测终端的增长以及采样频率的加快,电力系统产生了海量的电能质量数据,传统的关系型数据库及处理方式已经无法应对在大数据背景下的存储与计算需求;第二,随着信息技术的发展,电能质量数据中的价值渐渐的体现了出来,其不仅仅可以反映过去一段时间电网的运行状况,更重要的是可以对未来的电能质量状况进行分析和预测。针对以上提到的两个问题,本文搭建了用于处理海量电能质量数据的大数据平台,致力于电气化铁路背景下海量电能质量数据的分析预测。主要研究工作如下:1.针对海量电能质量数据量,构建电能质量分析系统,实现海量电能质量历史、实时数据的采集,设计合理的存储结构进行存储,为电能质量的处理分析提供支撑。针对问题数据,在数据存入HBase前进行数据预处理,提出对于缺失数据和离群点检测的方法,实现对问题数据的有效处理。2.针对电气化铁路的业务需求,提出了利用KMeans聚类算法进行主供、备用监测点的区分方法,经实验验证该方法准确率达到100%。3.针对电能质量数据不同的预测需求及场景,提出两种预测方法,其一基于电能质量数据的时间序列相关性,利用ARIMA时间序列趋势预测算法进行多个时间点的预测;其二基于有功功率数据与其他指标数据的相关性,提出利用决策树回归算法进行单个时间点的预测。4.对电气化铁路背景下电能质量数据的预测进行实验,通过实验验证本文提出的预测方法均具有较好的准确率。