随着环保、低碳等观念的逐渐成熟，社会对可再生能源的利用要求也逐渐提高。分布式发电技术由于其主要通过使用风能、光伏能等可再生能源进行发电的优势得到迅速发展，单一大电网系统接入分布式电源（Distributed generation，DG）发电能够有效节约成本，提高能源利用效率，保证系统的安全可靠运行。然而大量接入分布式电源会导致配网原有的拓扑结构变化，从而改变系统潮流方向，这将会给传统的配电网故障定位方法带来困难，而随着计算机技术的发展，一些数据驱动的配电网故障定位方法被逐渐提出，探索运用大数据方法的有源配电网故障定位方法成为了一种新方向。论文开展了一种将深度学习思想应用于有源配电网故障定位的研究，研究内容主要包括：
　　（1）考虑深度学习在识别高维数据特征时的优势，分析深度学习算法应用于故障定位中的可行性。首先详细论述了分布式电源接入位置的不同对传统配电网故障区段定位方法产生的影响，总结了传统方法的局限性。接着在 Simulink 中搭建有源配电网模型，通过仿真分析了选取二次谐波电气特征量作为深度学习训练对象的合理性，并进行了不同位置短路故障下的特征仿真，验证了在系统中不同位置发生不对称短路故障时，其产生的各序分量的幅值大小、相位、波形等故障特征互有明显差异。最后进行了深度学习算法学习差异化特征时的适应性分析。
　　（2）针对系统仅能配置少量测点的场景，研究了基于深度神经网络（Deep neural network, DNN）的有源配电网故障定位方法。首先介绍了TensorFlow框架及在该框架下的深度学习模型结构，通过结合复杂网络理论，提出一种测点合理配置策略。然后构建基于全连接网络（Fully Connected Network，FCN）并采用Dropout的深度神经网络模型实现故障定位。最后通过实验验证该方法能在配置少量测点的情况下准确定位单重故障，可以作为传统有源配电网在少测点场景下故障定位方法的有效补充。
　　（3）针对系统节点配置全测点的场景，通过对长短期记忆（Long-short term memory，LSTM）网络结构及原理进行了研究，提出了基于 LSTM 的有源配电网容错故障定位方法。通过对各区段两端配置测点采集的故障前后的电流各序分量时间序列与电压各序分量时间序列分别训练，形成双 LSTM 网络，并在最后对双网络神经元输出制定逻辑门规则，作为判断区段是否故障的依据。利用 LSTM 网络的结构特性，实现对区段双端时序特征的快速准确挖掘，能够定位多重故障，可以作为传统有源配电网在全测点场景下的故障定位方法的有效补充。
　　（4）针对故障选相问题，通过迁移学习成熟的长短期记忆网络模型，将以解决故障定位问题为历史任务训练的LSTM特征提取网络参数作为源域知识迁移，从而实现故障选相任务。通过利用故障定位任务的模型参数，提升故障选相任务的学习效率，无须重复遍历仿真，减少了数据预处理时间与模型收敛时间。算例结果验证该方法能够快速识别故障相，实现故障选相。