近年来,国民经济的发展促使我国的电力需求不断增加,配电网规模进一步扩大。如何从复杂的配电网中准确地判断配电网故障是该领域中的一个重要研究方向,对于促进配电网安全稳定运行具有现实意义。配电网故障定位旨在通过合适的数据分析技术发现故障并找到故障的具体位置,是解决配电网故障问题的核心技术。随着电气设备的更新换代,配电网的结构越来越复杂,特别是大量智能化设备和大功率电力电子器件的接入,设备间相互干扰导致的数据信息畸变等问题不容忽视。传统的配电网故障定位方法以单个节点的特征信息分析为主,缺乏对于配电网空间结构的利用。因此,一旦采集数据出现失真或干扰,故障定位的准确度就可能明显下降。以图卷积神经网络（Graph Convolutional Neural Network,GCN）为核心技术,本文研究基于深层图卷积神经网络的配电网故障定位技术。该定位技术利用GCN网络的信息聚合方式,充分考虑配电网的拓扑结构,通过结合邻域节点的特征信息来发现并定位故障节点,提高故障定位的准确率。本文主要研究内容和贡献如下:（1）本文运用仿真软件实现对IEEE123节点配电系统的仿真。模拟实现一个123节点的配电网系统。通过节点的电压、电流等特征属性,并使用规范化和过采样等数据预处理技术,获取适合于图神经网络学习的输入数据。（2）针对目前图神经网络模型层数较浅、表达能力有限的问题,设计基于剪边策略的图残差卷积深层网络模型dri＿GCN。其集成剪边、初始残差以及恒等映射等技术对经典的GCN模型进行优化。相比于传统的2层GCN模型,dri＿GCN是一个深层图卷积神经网络,因此有更好的模型的表达能力,为适应复杂配电网的故障定位提供新的技术手段。（3）针对传统的故障定位模型对数据精度依赖性高的问题,基于dri＿GCN网络,构建配电网故障定位的应用模型。在仿真数据集上的实验结果表明,dri＿GCN网络模型具有较高的定位准确率。此外,在输入数据存有信息畸变,即数据存在噪声或数据丢失的情况下的实验结果,进一步验证dri＿GCN网络模型具有比其它模型更优秀的定位准确率和鲁棒性,因此在配电网故障定位中有着更高的实际应用价值。