无功优化(Reactive Power Optimization)是维持配电网安全、可靠、经济运行的重要手段,也是提高电网电压质量、降低线损的有效措施。通过无功优化,合理配置无功功率使其就地平衡,不仅可以减少电网中的线路损耗,而且可以提高系统电压水平,能够带来经济效益和社会效益。目前,随着大量的分布式电源(Distributed Generation,DG)和电动汽车(Electric Vehicle,EV)接入配电网,配电网运行的复杂性大大增加,对无功优化也提出了更高的要求。本文主要提出了一种基于数据驱动的无功优化方法,摆脱了传统无功优化模型和参数的限制,利用神经网络进行训练学习,更快地提出优化策略。具体来说,以降低配电网络线损与减少电压偏差为出发点,通过调节变压器分接头以及投切电容器组进行无功控制,首先利用传统遗传算法求解得到这些优化措施,对配电网进行无功优化,同时通过系统线路损耗以及整体电压偏离度两项指标验证其有效性。而后根据历史大数据中每个时刻的各类电气数据及环境数据,以及该时刻对应的用遗传算法求得的无功优化控制策略,通过神经网络学习他们之间的映射关系,将数据作为输入,对应的策略作为输出来训练网络,训练好网络后,输入当前待优化时刻的数据,便直接可以输出对应的策略用于无功优化。通过两种网络进行测试,一种是先利用自由熵的方法提取数据的特征指标,然后将特征指标和策略通过BP人工神经网络进行学习。另外一种是通过深度学习,利用卷积神经网络CNN,该方法具备更强大的自主特征学习能力,无需对数据进行前期特征处理,直接可以利用配电系统原始特征数据与对应时刻策略进行学习。最后,利用一年半的历史数据,在改进的IEEE37节点配电系统中进行各方法算例测试与效果比较。结果表明,基于CNN深度学习的方法有着更好的性能,基本学习到了各类数据与无功优化策略的映射关系,可以明显降低线路损耗和系统整体电压偏离度,部分时刻甚至优于传统方法。同时,它不再依赖于配电系统的模型和参数,与传统方法相比,优化时间大大减少,可以更快地提供在线决策。通过对各方法在不同DG渗透率率和历史数据量下优化效果的讨论,表明即使在新的未知场景下,基于深度学习的方法也有着良好的优化效果,验证了基于CNN方法的适应性、鲁棒性和泛化能力,为大数据和深度学习技术在配电网无功优化中的应用提供了一条新的途径。