随着全世界对能源的需求不断增加,以及传统不可再生能源的日渐枯竭,绿色环保、可再生的新能源日益受到人们的重视。新能源按照接入电网的方式可以分为集中式接入新能源和分布式接入新能源,集中式接入的新能源,是大量的新能源资源集中接入电网,接入点范围内除了新能源设备几乎没有其他设备,对它的运行状况辨识,即获取新能源资源的实时出力数据比较容易。而分布式接入的新能源,是新能源资源和一般负荷（居民负荷、工业负荷等）混杂在一起,单独对新能源资源的运行状况辨识比较困难。随着分布式接入新能源在电网中的渗透率不断增加,为了保证电网安全、稳定、高效地运行,必须对其运行状况进行有效辨识。分布式接入新能源的辨识主要有两种方法。第一种方法是集中测量,该方法是在新能源接入的高压母线上安装一个传感器,因为只需要一个传感器,所以可以在传感器上投入较高的成本,保证数据的准确性,但是采集到的数据同时包含了新能源资源和一般负荷数据,因此需要找到合适的方法将新能源资源数据提取出来。第二种方法是分散测量,该方法是在每个新能源设备的接入点上都安装一个传感器,通过计算传感器读数之和就能辨识出新能源资源,但是受限于成本,单个传感器的投入成本较低,因此采集到的数据就可能存在数据质量问题,如数据异常和数据缺失。针对集中测量方法中新能源资源数据难以提取的问题,本文提出了一种基于高压母线侧数据的分布式接入新能源辨识方法,该方法使用数据挖掘的方法,找到一个在新能源资源和一般负荷数据中有明显区别的特征量,通过分析该特征量在新能源资源和一般负荷数据中的差异,包括该特征量在高压母线侧数据中的含量,就可以实现对新能源资源的辨识。本文以光伏出力数据为例,使用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）算法成功提取出了可以作为辨识特征量的本征模函数（Intrinsic Mode Function,IMF）分量IMF6,并通过基于江苏某地实测光伏数据的仿真实验证明,当光伏出力和一般负荷的出力比例大于1:15时,该方法可以对光伏出力进行有效辨识。针对分散测量方法中的新能源数据容易缺失的问题,本文提出了一种基于双向预测的数据修补方法。该方法充分利用缺失数据之前和之后的数据,构造了两个不同方向的单向预测模型,通过对这两个模型的预测结果加权平均,实现对缺失数据的修补。同时为了提高单向预测的精度,本文提出了一种基于EEMD算法、Savitzky-Golay（SG）滤波、长短期记忆网络（Long Short-term Memory Neural Network,LSTM）和差分整合移动平均自回归模型（Autoregressive Integrated Moving Average Model,ARIMA）的预测模型。本文以风速数据为例,通过基于美国某地实测风速数据的仿真实验证明,该方法可以对长度在4个点（一小时）内的缺失数据进行有效修补。