配电台区的拓扑结构是进行线路损耗计算、故障修复、用电平衡等应用功能的前提,其准确性对保障供电可靠性和供电服务能力至关重要。低压配电网位于电网的末端,服务用户众多,结构复杂多样,其在改造过程中,拓扑关系的变化信息未能准确及时地上传至系统的状况时常发生,严重影响了配电网的精益化管理。依靠人工排查和拓扑识别仪进行拓扑辨识,人力和财力耗费大,识别效率和准确率低。本文利用智能电表等终端设备上传的电压数据,研究数据驱动下的低压配电台区拓扑关系自动辨识方法,解决拓扑关系辨识中的疑难问题。针对电压数据接近时拓扑识别准确率低的问题,提出了一种基于电压波动特征参数的低压配电台区拓扑辨识方法。首先定义电压波动特征参数,提取电压数据全局和局部特征,建立电压波动特征矩阵。然后分别将电压波动特征矩阵与K-means聚类算法、线性回归算法结合,进行户变关系和相别关系辨识。算例分析表明,相比于直接运用电压数据,电压波动特征矩阵用于拓扑分析更有效。针对电压数据接近时现有方法辨识度不高的问题,提出了一种自适应分段云模型的低压配电台区拓扑辨识方法。首先按照云模型特征,自适应地确定台变和用户的电压时间序列转化成云模型的分段总数,自适应地确定每一分段云模型的起始时刻。然后计算分段云模型的相似度,得到拓扑关系辨识结果。最后从不同拓扑结构、不同用户负荷、算法限制、分布式电源以及误差的角度,论证自适应分段云模型算法的通用性。算例分析表明,在电压数据接近的情况下,自适应分段云模型算法比整体云模型及其他相似性算法,拓扑辨识结果更准确。针对电压数据接近时现有方法辨识度不高和电压数据缺失或异常的问题,提出了一种基于导数动态时间弯曲距离（DDTW）与基于密度的有噪空间聚类（DBSCAN）的低压配电台区拓扑辨识方法。首先采用DDTW算法,对不等长的电压时间序列进行相似性度量,基本忽略个别缺失或异常电压数据的影响;增添对电压曲线形状特征和变化趋势的分析,解决了辨识结果受电压数据接近程度的影响,误判率高的问题。然后依据计算得到的DDTW距离,采用DBSCAN聚类算法对台变和用户进行聚类;为减小聚类算法中参数半径和密度阈值对聚类结果的影响,引入概率的思想,多次改变参数进行聚类,得到台区拓扑关系的概率性结果。采用DDTW与DBSCAN相结合的方法,无需考虑电压数据缺失或异常问题,无需人为设定阈值,台区拓扑关系识别准确率高。