当今社会，电力需求不断增长、电能质量要求不断提高以及分布式电源不断接入的背景下，电网无功特性产生了巨大改变，运行状态也变得更为复杂，同时还可能出现不可全观测区域，这均对配电网经济安全运行造成了严重威胁。本文以实现数模双驱动为目标，设计了一种将深度学习与物理模型相结合的配电网电压优化调控方法，旨在消除高渗透率分布式电源接入引起的电压风险、优化配电网不同运行状态下的调度策略、限制离散型设备投切频次以及提高含不可全观测区域的配电网实时电压控制精度。
　　本文在模型驱动方向研究了各类离散型和连续型调节设备原理，其后建立了配电网系统物理模型；在数据驱动方向采集配电网海量数据，对数据进行清洗合并及主成分分析作为预处理，以场景指标感知及历史策略库为目标分别构建ELM 神经网络。最终设计了两种数模双驱动的配电网电压控制策略：基于场景判别，在日前阶段制定离散型设备调度计划，在日内阶段进行连续型设备动态优化；基于历史策略库，在实时阶段进行越限电压恢复。其具体内容包括：
　　1）基于场景判别的日前计划及日内多目标优化。在日前阶段，针对配电网运行状态复杂多变的问题，设计了感知场景划分指标值的 ELM 神经网络模型，通过输入预测的24小时指标影响因素，对电压偏差和电压波动指标进行感知，实现四类运行场景的日前划分。对每类运行场景分别设立的优化目标和约束，同时综合考虑配电网经济性和设备投切频次，最终制定了离散设备日前调度计划，解决了配电网复杂运行状态下投切频繁问题；在日内阶段，在场景和离散型设备不变的前提下，为应对负荷波动及日前计划误差，建立了兼顾场景目标、经济性和安全性的多目标优化模型，求解得到了具有主动性的动态设备短期优化方案，降低了网络损耗、抑制了电压波动以及消除了电压风险。
　　2）基于深度学习的策略库辅助实时电压控制。在实时阶段，由于存在不可全观测区域，传统模型中的电压灵敏度存在误差，导致光伏调控量计算结果精确度较低。针对这一问题，设计了基于ELM神经网络算法的历史策略库模型，并以历史策略库辅助修正实时电压控制策略。通过策略库模型校验近似灵敏度方法所得结果,最终经过多次迭代，提高了含不可全观测区域的配电网实时电压控制精度。算法以设备正常运行状态为输入，同时解决了传统深度学习方法缺乏足够数据的问题。
　　本文通过改进的IEEE33节点网络对三个日前调度及日内优化场景和两个实时控制情况进行仿真验证，最终校验了所提方案的合理性和有效性。