大数据技术的不断发展为电力系统分析控制带来了许多新的思路与挑战,伴随着分布式电源、储能、监控、保护装置的发展,传统配电网已逐步演变成具有可观可控能力的主动配电网。结合电力大数据,本文分别从配电网规划与运行层面开展了相关研究:论文第二章使用网络开源信息提出了配电网的信息收集与负荷估计方法,随后第三章基于改进的聚类算法完成了城市空间负荷分布态势感知,第四章基于深度增强学习算法论述了主动配电网的自学习控制方法并通过第五章的仿真分析论证了该方法的有效性。由于配电网处于电力系统末端,具有地域分布广、电网规模大、数据收集困难的特点,现有系统通常不能满足量测配置的需求,需要借助其他手段开展相关电力信息收集,本文充分利用网络提供的开源信息,运用数据挖掘技术获取有价值的电力用户信息,通过数据筛选与负荷估计构建了城市负荷空间分布样本集,为准确的城市空间负荷估计提供了新思路。本文随后使用改进后的基于密度峰搜索的聚类算法进行城市负荷空间分布感知,以各电力用户样本点的局部密度和间距为指标进行聚类,以聚类群簇作为基本单元,通过分析群簇簇头空间坐标、群簇负荷总量、群簇用户总数、群簇最大半径、群簇平均半径等,建立了以群簇属性为要素的城市电力负荷态势感知模型,通过与实际配电台区对比,可以准确把握城市新增的区域负荷中心、区域负荷中心的迁移、区域负荷密度变化等发展态势,为后期配电网规划如分布式电源与主动负荷的接入位置提供了参考。分布式电源与主动负荷的接入使得配电网具有潮流分析复杂,调控手段多样的特点,难以建立普适的模型开展优化控制,借助量测装置提供的电网数据,本文提出了基于数据驱动的主动配电网自学习控制方法:通过分析配电网观测状态、控制手段、运行目标给出了基于马尔科夫决策过程的自学习控制原理;随后定义了状态-动作估值函数为控制动作选取提供参考,并结合ε-greedy策略使得配电网在自学习初期采取探索性控制,中后期采用经验性控制;结合实际操作样本,采用神经网络进行相似状况拟合,使得配电网能基于观测状态,自主选取控制手段以达到运行目标。本文最后以扩展的IEEE33主动配电网为例,说明了接入分布式电源后带来的电压越限问题,通过控制电动汽车充电桩充放电状态,以较少的投切操作实现了配电网的安全稳定运行,验证了基于数据驱动的配电网自学习控制方法的可行性与有效性。