随着新能源在电力系统中主体地位的提升及智能电网的发展,含分布式电源（Distributed Generator,DG）配网中的海量电气信息亟待挖掘利用。人工智能算法的高速发展为实现基于海量数据样本的含DG配网故障类型辨识提供了可能,有助于配网的安全、稳定、可靠运行,构建新型电力系统。然而,目前缺乏含DG配网的短路故障特征提取研究及不平衡样本条件下的辨识智能算法研究。针对上述不足,本文从特征提取和智能算法两方面出发,研究含DG的配网短路故障类型辨识智能算法。针对含DG配网特征提取问题,采用基础理论分析方式得到含DG配网的暂稳态特征。结合DG输出特性的数学模型,等效其为压控电流源进行低阻故障的序网络分析,考虑其4种不同输出特性,利用等模值法消元计算出各处稳态短路电流并进行有无DG、不同DG渗透率及不同输出特性三种情况下的定量对比分析,得到低阻故障的稳态特征。基于高阻故障的暂态过程,经过与正常状态对比的有效性分析及故障条件变化的适用性分析后,利用小波包分解提取出零序电压的小波包能量比作为暂态特征。基于仿真示例的对比分析,验证了所提特征的有效性与适用性。针对配网数据不平衡问题,采用改进阴性选择方法进行故障类型辨识。免疫思想能够充分利用大量正常数据样本和少量故障样本这一巨大差异“优势”,但阴性选择算法存在黑洞及二分类问题,考虑引入少量故障样本,结合人工免疫网络对检测器进行优化聚类。不平衡样本下的仿真结果表明,优化后的检测器集可有效减小黑洞范围,聚类生成的故障状态分类器可有效减小无效覆盖范围并实现故障类型的有效辨识,且方法在不同渗透率及拓扑结构情况下仍然适用。针对配网故障状态数据样本数量少的问题,采用改进的双Q学习深度Q值网络（Double Deep-Q-Network,DDQN）方法进行短路故障类型辨识。转化样本不平衡问题为均衡小样本问题,考虑利用强化学习思想,引入样本动态化标签,转化静态的故障类型辨识问题为动态的序贯决策问题。引入第2个目标网络逼近真实标签,减少对于标签样本的依赖性且双层网络对于原始样本有不同程度的数据增强效果。设计强化学习辨识网络逼近动作价值函数,用于选择动作、更新状态,实现样本的序贯分类;设计终止判断自强化网络逼近状态价值函数,自主判断终止状态,对同一样本进行多轮自强化辨识。均衡小样本下的仿真结果表明,自强化辨识过程可以有效减少漏判、误判及错判的概率,且此算法能够通过个性定制得到更为“人性化”的输出结果,且方法在不同渗透率及拓扑结构情况下仍然适用。最后对改进阴性选择、改进DDQN及经典的BP（Back Propagation）神经网络算法进行了算法思想、问题本质、数学模型、数据基础等多方面的对比研究。