近年来,我国经济飞速发展,配电网数量与规模都日益增大,其安全性问题变得越来越重要。同时,许多地区现有配网结构相对薄弱,易在诸多自然因素和人为因素下发生故障,加之大量分布式能源的接入,使得故障机理的分析变得十分复杂,很多传统的故障区域定位方法难再适用。因此,复杂环境下配电网故障区域的定位方法的研究有待进一步深入。着眼于无模型方法无需进行物理建模的优势,并考虑到配电系统中难以大量采集到故障数据的实际情况,本文从数据驱动的角度出发,结合迁移学习提出了一种适用于少量故障数据采集情况下的配电网故障区域定位新方法。首先,介绍了本文的研究背景,系统综述了现有配电网故障区域定位方法的研究现状与所面临的挑战,介绍了迁移学习相关理论基础,阐明了其在配电网故障区域定位问题中应用的可行性。其次,基于卷积神经网络与去相关自编码器构建了一种能够分析和提取配电系统中所采集的大规模时序数据特性的分类器AutoCNN,并对其设计了应用于配电网故障区域定位任务的可行性验证实验。在该故障区域分类器的基础上,首次在配电网故障诊断领域中引入迁移学习,给出了迁移学习中源域数据的选取策略,通过稳态数据迁移和增量学习的方式建立了一种适用于配电网运行情况改变的实时故障监控框架,包含模型离线训练、模型周期性更新以及在线应用三个阶段。最后,基于IEEE33节点标准配电系统中采集的电压电流时序数据,对本文所提配电网实时故障监控框架的上述三个阶段进行了分析讨论。结果表明,稳态数据知识的迁移很大程度稳定了模型的离线训练过程,基于增量学习的模型周期性更新方式能够在系统运行情况改变时,仅花费较少的计算代价与模型训练时间就能得到满足故障诊断要求的新模型,并且模型具备很快的在线响应速度。此外,该模型框架所需配置的数据测点少,系统采样频率要求低,模型结构鲁棒性强,具有较强的抗噪声能力,在不同的故障类型、过渡电阻、分布式能源出力与负荷波动情况下均能取得较好的故障诊断效果。