随着能源、环境问题日益突出,分布式电源(Distributed Generation,DG),尤其是逆变器型分布式电源(Inverter Interfaced DG,IIDG)在配电网中得到了广泛应用。IIDG接入在带来积极作用的同时,也对配电网安全稳定运行造成了不良影响。在故障情况下,IIDG有着强非线性输出特性,与传统电源有很大不同。这使得传统短路电流计算方法已不再适用,给配电网继保装置的整定带来困难。目前含IIDG配电网短路电流计算主要采用物理建模方法,在IIDG高渗透情况下存在不足。为此,本文从数据驱动角度出发,重点研究了基于机器学习方法的含IIDG和IIDG高渗透下配电网短路电流计算方法,取得了如下研究成果:(1)提出了基于数据驱动的含IIDG配电网短路电流计算模型。给出了模型的整体框架和流程;对与短路电流相关的配电网特征进行了分析,从故障分析理论角度创新性地提出将IIDG未接入时的配电网短路电流作为关键特征;提出了基于MATLAB/Simulink的样本生成方法,能够自动积累数据集。此框架通过离线训练模型,在线计算的模式,提升了短路电流计算方法的实时应用能力。(2)将上述模型应用于实际场景。首先针对配电网中某点故障后指定测量点流过短路电流计算场景,提出了基于数据驱动的短路电流计算新方法,并给出了两种特征组合方式,各有其适用的场景。其次针对配电网中任一点发生故障时指定测量点流过短路电流的计算场景,提出了基于XGBoost方法的含IIDG配电网10种故障类型的短路电流计算新方法。算例表明,与基于机理模型的方法相比,以上两种方法具有在线计算速度快、适用性强、准确度高、易于编程实现的优点,在自适应保护、保护装置配合、故障管理等基于短路电流计算的实际需求中具备应用潜力。(3)针对任意点发生任意类型故障后计算任意节点流过短路电流的应用场景,从多输出回归问题的角度出发,进一步提出基于多输出回归模型融合算法和XGBoost算法的含IIDG配电网短路电流计算方法,在模型训练时利用到不同短路电流间的关联关系。算例表明,该方法对于各输出结果预测均较为准确且稳定。