随着可再生能源和分布式发电技术的迅速发展，与配电站相连的用户也正在成为数量巨大的能源生产者。可再生能源与互联网等新兴技术促进多种复杂系统的相互融合，推动经济与社会可持续发展，未来配电站的监控管理模式也将发生巨大变化。目前配电站状态感知认知的智能化程度不高，亟需采用新的知识表示形式来对配电站知识库中的实体和数据集进行表达，全面提升配电站的信息化与自动化水平成为当前配电站监控的当务之急。本文具体工作如下:
　　(1)深入分析知识图谱和深度学习理论。论述了知识图谱的基本构成，阐述了知识图谱的构建原理;探讨了卷积神经网络的基本理论，对网络的每层结构做了详细论述;分布式深度学习有效增加训练神经网络的数据量，并提高神经网络模型的复杂度;通过深度学习与知识图谱的结合，提高从知识库中提取候选单元的能力，完成对知识的表述、组织和存储。
　　(2)基于深度学习和知识图谱的配电站监控研究。构建配电站知识图谱的设备模型和时序模型，从配电站采集的异构知识库中抽取候选单元中的知识来构建配电站知识图谱，采用基于TransR模型的卷积神经网络对配电整体状态进行评估，采用知识推理引擎来实现各业务协调配合;配电站知识库的非结构化数据包含大量配电站状态参数，针对该特点，提出了基于改进卷积神经网络和分布式深度学习的配电站知识提取，深入研究了密集连接神经网络在配电站监测图像的状态特征识别中的应用，并利用分布式深度学习进一步提高模型训练精度。并采用仿真分析验证了所提方法的有效性。
　　(3)构建基于深度学习和知识图谱的配电站监控系统框架。该系统由“智”、“云”、“管”、“边”、“端”五层结构组成，实现数据的采集、传输、管理、价值创造;通过五层结构的协同合作，实现配电站的高效运行;配电站监控系统采用图形数据库，Web服务器、REST链接库、B/S模式等关键技术进行开发，实现了系统的基本功能。
　　综上所述，本文构建了配电站知识图谱的设备模型和时序模型;提出了基于改进卷积神经网络和分布式深度学习的配电站知识提取，仿真验证了所提方法的有效性;构建了基于深度学习和知识库的配电站监控系统框架，对配电站监控系统进行开发，系统功能界面友好、操作方便。