随着特高压和智能电网的发展,非线性负载和设备所带来的电网谐波污染问题得以凸显。谐波污染会带来能源和设备消耗,引发电网运行安全问题,带来巨大经济损失^[1]。在电网谐波综合治理过程中,谐波源辨识是亟待解决的首要问题。谐波源辨识一般采用电网模型仿真的方法研究,准确度不高。国家电网建设了电网谐波监测分析系统^[2],汇集了海量电能质量数据,为数据驱动的谐波问题分析奠定了基础。在此背景下,本文针对谐波源辨识问题,使用电网谐波监测数据,围绕谐波源识别和谐波责任划分展开相关研究,主要工作包括:1、以准确识别谐波源为目标,提出一种电能质量数据驱动的谐波源分类方法。该方法兼顾指标的多样性、数据的非线性与时序性特点,首先基于电能质量数据分布特点对海量数据进行合理筛选与采样;然后使用随机森林基于袋外数据进行特征重要性评估,结合序列后向选择算法迭代生成最优特征子集;接下来对数据进行固定时间间隔的分组聚合与滑动平均法平滑处理,再将样本数据输入长短期记忆网络（LSTM）模型进行学习;最后基于学习模型对谐波源类别做出预测。实验结果表明,该方法比已有的基于随机森林的谐波源分类方法准确性更高,同时具有更好的泛化性能。2、以合理划分多谐波源情况下的谐波责任为目标,提出一种基于相关性分析的谐波贡献度评估方法。首先根据监测点在运分析与监测数据超标分析结果确定并提取电能质量超标数据;然后利用皮尔逊相关系数度量各个监测点之间的相关关系,根据相关性结果,结合皮尔逊相关系数阈值与箱型图分析规则得到各母线的强相关支路集;最后,基于动态时间规整算法（DTW）评估各强相关支路集对母线的贡献。实验结果表明,该方法与已知的偏相关系数度量方法相比,对相关监测点的区分能力更好,在识别区域电网内的主导干扰源时表现出的准确性更高,同时谐波贡献度评估结果更精细,更能适应电网数据的时序性特点。3、基于上述研究结果,设计实现谐波源辨识原型系统,实现谐波源识别与谐波责任划分方法的自动化应用。