智能配电网是智能电网的重要组成之一。为提高电网的安全运行水平和经济性，灵活、频繁的拓扑重构是智能配电网的基本特征。而配电管理系统(Distribution Management System, DMS)中的大部分功能，如状态估计、潮流计算和电压控制等，都基于网络当前的拓扑结构。因此，研究适应高比例分布式能源接入的智能配电网拓扑辨识方法具有重要意义。
　　结合配电网特点和运行情况，本文建立了一个基于机器学习的智能配电网拓扑辨识框架，实现拓扑辨识方法的离线训练和在线应用。该框架涉及两个核心问题，一是网络中哪些位置和类型的量测数据能够全面反映电网的运行状态和拓扑，二是如何准确建立量测数据与网络拓扑结构之间的映射关系。为解决这两个核心问题，本文的具体工作如下：
　　首先，提出了一种基于LightGBM算法的特征选择方法。该方法通过建立树学习模型计算每个特征的重要度，根据特征重要度筛选对于拓扑辨识问题最有效的少量特征，在保证辨识准确率的情况下大幅减少网络中量测装置的需求量。
　　其次，构建了基于深度神经网络(Deep Neural Network, DNN)的智能配电网在线拓扑辨识方法。利用系统部分节点的时间断面量测和拓扑标签构建深度神经网络，自动挖掘输入特征的本质表示和内在关联，学习量测数据与拓扑结构之间的映射关系，并根据新的量测数据准确判断该运行场景下的拓扑结构。
　　考虑到实际应用中可能存在量测数据丢失的情况，设计了基于最小方差的缺失特征填补方法。通过计算不同电压分布曲线的方差寻找与测试样本最相似的训练样本，并根据该样本估计测试样本的缺失特征值。
　　最后，在IEEE33节点配电系统和PG&E69节点配电系统中对所提算法进行验证，并分析了对于不同噪声水平情况和对量测特征值缺失的适应性。算例结果表明，所提方法能够满足在线应用的速度要求，具有较高的拓扑辨识准确率，且对于噪声和量测丢失情况具有一定的鲁棒性。