罕见的极端天气事件可能会导致大范围停电事故,造成重大的社会经济损失。传统的电力系统可靠性原则无法在这类高影响-低概率（High-impact Lowprobability,HILP）事件中保证电力的持续供应。配电网因其复杂的结构和落后的运行方式,受灾时会产生更为严重的后果。近年来,为了加强配电网应对如飓风、大雪等极端事件的能力,电力系统弹性应运而生。本文主要针对配电网弹性增强进行研究,提出了通过深度强化学习（Deep Reinforcement Learning,DRL）方法对配电网进行脆弱性分析,及灾前和灾中配电网的弹性增强,并且通过IEEE测试系统对所提方法进行仿真验证和分析。首先,通过脆弱曲线将元件故障状况与极端事件强度相关联,从而建立整个配电网的受灾模型。在该模型基础上,分析了极端事件的强度和路径变化对配电网调度的影响。介绍了马尔科夫决策过程（Markov Decision Process,MDP）的基本特性,并讨论了用于缓解极端事件影响,提升配电网弹性的DRL算法原理。其次,提出一种基于DRL的极端事件攻击序列确定方法。利用MDP来捕捉极端事件的时空特性和元件故障的随机性,应用连锁故障模型模拟系统的行为,即系统受极端事件影响而带来的更大的故障现象。引入基于价值的DRL方法来确认对系统影响最大且故障率较高的关键线路序列。仿真结果验证了所提方法能对极端事件中的配电网进行有效和准确的脆弱性分析。再次,通过不同强化效果和成本的强化措施对灾中的关键线路序列进行强化来提升配电网的灾前弹性。根据重要程度对不同线路进行优先级划分后,将强化后元件在灾中的故障率和该元件的强化成本相结合,构成双目标优化模型,并引入基于价值的DRL算法来确定最优的强化策略。结果表明所提方法找到的强化策略能够在不同的强化条件和灾害状况下显著提升系统弹性。最后,将分布式发电机（Distributed Generator,DG）重调度问题表述为一个离散MDP,并考虑了元件故障的随机性。从而提出了一种基于DRL的无模型优化框架,以确定最佳的重调度策略,提高配电系统的灾中弹性。应用深度神经网络（Deep Neural Network,DNN）提取大型随机状态空间特征,并形成多元高斯分布来处理高维连续控制动作。仿真结果说明了所提框架能够在极端事件发生过程中有效地保证负荷的持续供电。