作为连接电源侧和负荷侧的关键环节,配电网的安全稳定运行是国家经济健康发展和居民生活水平持续提高的重要保障。在能源革命和数字革命的双重驱动下,配电网不断融入先进的传感测量技术、保护控制技术和数据通信技术,正逐步由单一的电力网转变为电力网与通信网高度耦合的配电物联网。由于电力网和通信网的交互作用,单一网络的异常状态会传递到另一网络,不仅会增大异常信息的辨识难度,还可能引起异常范围的扩大,给配电物联网的安全运行带来新的挑战。因此,综合考虑电力网和通信网的耦合关系,研究配电物联网异常状态的辨识方法,对提升配电网风险管控能力和安全运行水平具有重要意义。鉴于此,本文基于配电物联网的体系架构分析了电力网和通信网的耦合关系和异常特征,提出基于深度学习的配电网单相接地故障选线方法,并利用深度学习方法提取异常前后电气量和通信流量中的关联特征,实现了配电物联网异常状态的统一辨识。本文主要研究内容如下:（1）构建了配电物联网仿真模型,并对电力网和通信网的异常特征进行了深入分析。首先,从配电物联网的体系架构出发,明确了电力网和通信网的交互作用场景;其次,对配电网中各类通信业务建立了数学模型,并在此基础上在Simulink-OPNET仿真平台中搭建了电力网和通信网的交互仿真模型;最后,从理论和仿真层面分析了电力网单相接地、相间短路和通信网通信中断、数据异常几种场景下电力网和通信网存在的关联异常特征,为深度学习模型的构建和训练提供了理论依据。（2）针对单相接地故障场景,本文提出了一种基于S-CNN的配电网单相接地故障选线方法。首先,结合卷积神经网络（Convolutional Neural Network,CNN）的样本特点,利用S变换获取配电网各出线零序电流的时频信息,并计算各出线时频信息之间的相关度,生成S变换相关度图形（SCF）;其次,建立了包含SCF构建层的CNN深度学习模型,提取SCF中的故障特征,并利用仿真样本对模型进行训练;最后,利用仿真数据和实际故障录波数据对训练后的模型进行测试,验证了所提方法的准确性和优势。（3）针对相间短路、通信中断和通信异常场景,本文提出了一种基于3D-CNN的配电物联网异常辨识方法。首先,根据电气量和通信流量的数据特点,将配电物联网的运行状态表示为一幅特征帧画面,并堆叠形成面向3D-CNN的立方样本矩阵;其次,构建了三维特征提取网络和层级softmax分类器,用于提取立方样本矩阵中的异常特征信息,并利用典型样本对网络结构参数和超参数进行训练调整;最后,利用仿真数据进行测试,验证了所提方法的可行性和优越性。