配电网连接输电网和电力负荷,直接向用户供电,其安全稳定的运行决定人们生产生活的正常进行。配电网由于结构复杂、运行方式多变、线路条件复杂,故障比例占整个电网故障比例的80%,其中单相接地故障占配网故障的70%,由于我国配电系统采用的是小电流接地方式,不直接接地或经消弧线圈接地,当发生单相接地故障时,故障特征微弱,单相接地故障不及时发现并排除故障,极易发展为相间短路,扩大故障范围,因此配电网的运维一直是一大难点。快速准确的故障定位是故障迅速清除、恢复供电的先决条件。本文基于此类问题,针对故障数据获取的不同方式,利用深度学习,深度挖掘故障数据中的故障特征,进行配电网故障的精确定位。本文进行的工作如下:针对配电网故障定位的国内外研究现状,指出现有定位方法存在的不足和定位技术的难点。针对我国配电网现有的拓扑结构进行分类,对国内外学者的研究现状进行总结,并分析了我国配电网故障定位技术存在的难点,包括微弱的故障特征、复杂的拓扑结构和量测装置的缺失,确定本文工作内容及研究意义。阐述将深度学习技术用于配电网故障定位的可行性。介绍深度学习和机器学习的发展现状,对本文所用到的BP神经网络模型和堆栈自动编码器模型进行介绍。针对深度学习的优点,包括特征自学习、强大的非线性函数拟合以及端对端学习,分析将深度学习应用于故障定位中的优势和可行性。在分析配电网暂态波形折反射和传播特性的基础上,研究基于反射脉冲特征提取的故障定位方法。在离线状态下,向母线首端注入三相相同的高压脉冲信号,利用相模变换分析故障特征,得出线路首端检测到首个线模脉冲信号是故障点的反射信号。检测首个线模脉冲信号的达到时间,利用自编码器(AE)提取首波反射脉冲的故障特征;将AE提取的故障特征与信号到达时间构成故障特征序列,建立故障特征序列与故障距离的BP神经网络测距模型,训练神经网络拟合特征序列与故障距离之间的非线性关系。根据线路末端首个线模和零模反射信号的到达时间确定故障分支。并利用PSCAD平台仿真模型,测试和验证了该方法的定位性能和可靠性。在分析故障下配网中μPMU的电流和相角故障特征的基础上,研究基于波形不相似的故障区段确定和基于堆栈自动编码器(SAE)的故障测距方法。通过比较区段两侧零序电流波形确定故障区段;利用故障区段两侧的量测数据,建立故障电压和电流相量波形与故障距离之间的SAE测距模型,研究端到端的故障定位方案,实现故障点的精确定位。仿真结果表明,该方法能有效地定位故障,并能承受过渡电阻、故障类型和噪声的影响。