分布式电源（Distribution Generation,DG）介入配电网使其电压波动明显且网损较大,同时给配电网各无功调节装置相互协调带来了很大的挑战。无功优化的研究意义在于能够将配电网的无功调节装置进行更好地协调。本文主要采用的是数据驱动和深度学习的方法对于配电网的无功优化来进行研究。本文的主要研究包括三部分:第一,将模糊聚类算法以及混沌优化人工鱼群算法相结合形成了一种模糊聚类下混沌优化算法的配电网无功优化方案。首先,引入电气距离的概念作为模糊聚类算法的量度,针对电气距离结果较大数值进行求取并用于模糊聚类算法当中的聚类中心,并以此作为配电网节点系统的关键节点。其次,将配电网拓扑结构利用模糊聚类方法进行电网分区,得到分区结果。接着,对于分区结果所形成的区域运用混沌变量将人工鱼群算法的行为进行优化处理,方可得出改进后的优化算法。最后以IEEE33节点网架结构的算例为仿真研究对象,以验证本文方法在电压波动的调节以及减小网损方面具有更好的效果。第二,对于前一节所提出的优化方法过于依赖配电网的网架结构参数,当面对复杂的配电网模型时难以求解优化的问题,提出了基于数据驱动和PSO-DBN的无功优化策略。首先,利用随机矩阵理论以及改进的卷积神经（Convolutional Neural Network,CNN）网络对配电网的原始数据进行特征提取。而改进的CNN网络特征提取对配电网原始数据的降维作用更加明显,使被提取出来的数据的特征表现性更强。再通过粒子群优化（Particle Swarm Optimization,PSO）深度置信网络（Deep Belief Network,DBN）的初始权重从而建立PSO-DBN模型。将配电网历史数据和历史控制策略代入模型中进行学习得出两者的映射关系,由实时数据代入模型中得出实时无功优化策略,最后通过IEEE33节点仿真系统证明了其优化效果比人工智能算法较好。第三,考虑到配电网无功调节设备的不同特点,将无功调节设备根据调节时间分为离散型和连续型两种无功调节设备,因而本文提出了基于变分模态（Variational Mode Decomposition VMD）分解和深度强化学习（Deep Reinforcement Learning,DRL）的多时间尺度下的无功优化策略,首先利用VMD分解将配电网的负荷数据进行分解,将电网的负荷数据分解成为4个不同的模态分量,将4种模态分量根据无功调节设备时间的不同分为两种时间尺度,即长时间尺度和短时间尺度。就针对两种不同的时间尺度分别运用深度Q网络（Deep Q-Network,DQN）和行动者评判家算法第二代（Actor Critic 2,A2C）进行无功优化,将每个子序列的优化结果进行叠加得出最终的优化分析。最后对IEEE33节点算例仿真在春、夏、秋、以及冬天任取一个典型日共计四个典型从日无功优化效果、历史数据以及该方法的鲁棒性这三个方面进行分析得出本文方法的有效性。