随着国家“双碳”目标的提出与可再生能源技术的发展,配电网中以新能源为主的分布式电源渗透率逐渐提高,负荷侧以电动汽车为代表的新型负荷的比例显著增长。源荷的不确定性以及可调控资源的多样性使得配电网呈现出状态多样、结构灵活和运行控制复杂的特点,为配电网经济安全可靠运行带来巨大挑战。本文在传统配电网无功优化的基础上,以近年来迅猛发展的电力系统数字化技术为依托,以数据赋能为基本思想,结合配电网多元可调度要素,围绕新型源荷接入下配电网电压控制问题展开研究,以改善配电网电能质量,降低系统线路损耗,提升配电网运行经济性与安全性。主要研究内容如下:（1）针对新能源与负荷的不确定性带来的配电网电压波动问题,以及配电网精确模型参数不易获取的难点,提出考虑新能源逆变器参与的配电网多智能体无功-电压控制方法。基于强化学习理论将无功-电压优化问题转化为马尔可夫博弈问题,并采用深度确定性策略梯度算法求解。该方法依托数据驱动,无需依赖配电网精确潮流建模以及源荷预测,仅根据配电网的实时状态信息观测数据进行决策。同时结合了多智能体强化学习集中训练和分散执行的框架,调控单元决策仅基于电网状态信息获取与神经网络前馈运算,具有更好的实时性能;（2）针对当前数据驱动方法样本需求量大,数据利用效率不高的问题,提出一种基于样本效率优化的数据驱动型配电网有功无功协调控制策略。将电动汽车充电桩的有功调节能力纳入考虑,首先基于出行链预测方法获取电动汽车充电桩的充电功率曲线,之后结合新能源逆变器等无功调节设备,建立配电网有功无功协调实时优化的马尔科夫博弈过程;其次提出强化学习经验增强方法,并结合注意力机制提出一种新型的多智能体深度强化学习算法,该算法有效地缓解了多数强化学习方法经验采样效率低,数据样本需求量大的难题,具有更好的控制效果并提高了数据驱动方法在电压优化问题中的实用性;（3）针对配电网集中式调控问题维数高,实时性不足的问题,提出一种基于云边协同架构的配电网无功-电压就地控制框架,并在此框架下建立了分区两阶段的无功-电压优化模型。首先,提出基于电压灵敏度的多场景层次聚类配电网分区方法,应对源荷不确定性对静态分区准确性的挑战,实现电压各区域内电压关系解耦,作为分区就地控制的基础;接着,利用基于数学模型的方法求解慢时间尺度的日前调控问题,并基于多智能体强化学习方法完成实时日内调度。该方法以边缘计算装置作为区域控制主体,决策时各子区域只需自主观测相应区域内的状态信息,无需全局信息获取及云端通信,有效降低了智能体的动作和观测维度且具有更好的实时性能。（4）针对分区就地控制缺乏交互难以应对配电网结构状态变化、全局最优性不足且依赖于分区精度的问题,提出基于图强化学习方法的配电网电压分布式实时控制方法;首先结合边边协同的架构提出配电网分布式电压区域自治控制框架,并建立部分可观测马尔可夫博弈过程。该过程属于强化学习领域部分可观测问题,且涉及相邻区域之间数据共享弱通信,基于集中训练分散决策的强化学习方法难以求解。因此,提出了一种基于分散训练、分散决策框架与分层图形循环网络的多智能体强化学习方法。该方法允许相邻区域智能体共享状态观测数据,并赋予了各智能体分布式决策能力。各区域只需依据自身状态数据并与相邻区域通信即可实现区域电压控制并优化配电网全局网损,实现区域分布式自治且无需复杂的通信。