配电网处于电力系统的末端，是连接输电系统与用户的重要环节，配电系统的可观测性和可控制性是其安全稳定运行的基础，也是为用户提供良好服务的保证。配电网可观测性和可控制性在很大程度上取决于其拓扑和线路物理参数的准确性。在配电网实际运行过程中，网络的开关状态和线路的物理参数会由于网络重构、故障隔离等原因而动态变化。然而，在配电自动化程度较低的系统中，由于管理方面的因素，这些变化往往无法得到有效的记录。而通过人工计算校验的方式获取这些动态拓扑参数的成本很高，因此迫切需要采用数据驱动的方法对配电网的动态拓扑和线路参数进行准确地辨识。
　　本文以中压配电网为研究对象，依托智能电表提供的配电网运行数据，对于数据驱动的配电网拓扑以及线路物理参数辨识模型及方法开展了研究。
　　首先针对配电网实时拓扑的估计问题，提出了将拓扑辨识问题转化为配变连接关系辨识的思路，构建了基于深度神经网络的拓扑辨识模型。考虑到智能电表数据存在噪声，采用二维小波阈值去噪算法对历史数据进行预处理，在此基础上，分析了配变连接关系的影响因素，基于电力系统和统计学知识从历史数据中挖掘特征，完成神经网络的输入参数设计。为提高深度神经网络模型的泛化能力和计算效率，采用网格搜索优化网络的超参数并以集成学习的方式优化网络的训练过程。最后以实际配电系统模型在Tensorflow平台上对本文提出的集成深度学习模型进行了验证。
　　针对配电网实时线路参数的估计问题，构建了动态贝叶斯网络来模拟线路参数的动态特性，依据焦耳定律和潮流公式确定相关影响因素和线路参数的因果关系。线路参数的影响因素数据主要来自于智能电表和微气象站这两个不同的数据源。在 python 平台上对多源异构的原始数据进行了合并和清洗，作为模型的训练样本。考虑到训练样本中可能存在缺失值，使用最大似然估计法训练动态贝叶斯模型，并采用置信度传播算法完成模型的推理。最后在 pgmpy 平台上使用江苏省某地市中压配电网验证了提出的模型在演进的线路参数辨识方面的精确度和鲁棒性。
　　最后，对所提出的配电网拓扑和参数辨识的应用场景进行了研究，以分布式电源选址优化为场景，构建了以电压偏差率、电压波动率和线路网损最低为目标函数的动态多目标优化模型。考虑到光伏接入后位置不可改变，采用基于蒙特拉罗模拟的概率潮流算法将动态问题转化为多个静态问题求解，并采用拉丁超立方采样优化含光伏配电网历史运行样本的选取。在目标函数规模不大的情况下，选择向量评估遗传算法获得多目标优化模型的Pareto最优解集。最后，在考虑配电网拓扑与线路参数动态特性的情况下，采用pandapower和geatpy模块对某中压配电网进行仿真，通过对比接入方案的优劣度验证了本文提出的分布式光伏电源接入选址优化算法的合理性。