供电可靠性是配电网安全运行中最受关注的问题之一。由于配电网为系统向用户供电的最末端,其具有区域覆盖性广、线路复杂和运行方式多的特点,导致配电网的故障频发。因此,在实际的系统中,快速的故障检测与辨识是减少故障停电时间及故障停电次数的重要前提。然而,在配电网故障中发生频率最高,最难处理的是故障特征微弱的弱故障问题。为此,本论文主要研究配电网弱特征故障的辨识。论文的主要工作有:首先,本文明确了弱特征故障的定义,分析了中压配电网两种接地方式下,发生弱特征故障时系统的零序电流特征,故障包括单相低阻接地故障和单相高阻弧光接地故障。同时在PSCAD搭建中压14节点的配电网模型,以及低阻故障和高阻弧光接地故障的数学模型,说明了其故障机理。并进行故障的仿真,结合零序电流和三相电压波形,对两种故障类型的特征进行了对比分析。然后,本文提出了基于长短时记忆网络（Long Short Term Memory network,LSTM）的弱特征故障辨识网络,建立起零序电流信息与故障类型的映射关系,结合配网拓扑多变的实际,提出基于小样本的迁移学习方法,增强网络泛化能力。在数据集的构建上充分考虑过渡电阻,故障初相角,故障距离等多种故障参数,使得网络对各种故障情况具有一定的耐受能力。本文在中性点不接地系统进行LSTM辨识网络训练,在中性点经消弧线圈系统进行迁移学习,迁移过程中考虑小样本和低频采样率的实际需求,仿真结果表明,迁移学习在小样本和低频采样率的实际需求下,具有较高的准确率。最后,本文提出了基于多任务学习的配电网弱特征故障辨识方法。结合电力系统的工程实际,即数据多元,软硬件资源宝贵,以及对辨识准确率和速度的要求,利用多任务学习充分挖掘数据间的关联信息,实现一个神经网络完成故障类型和故障区内外的判断。本文采用中性点不接系统中的零序电流信息数据构成多源数据集,包括区内外信息和故障类型信息。本文采用LSTM网络,构建多任务学习框架,采用参数硬共享机制和交替训练的方式,通过不断优化确定网络参数。仿真结果表明,训练集和验证集的准确率均较高,并通过与单任务学习进行对比,得出多任务学习在整体收敛速度,准确率和整体训练时间上具有一定优势。综上,本文针对配电网弱特征的故障辨识问题,调研和分析了现有研究成果以及存在的不足,在建模和故障特性分析的基础上,采用LSTM神经网络,提出基于迁移学习和多任务学习的配网弱特征故障辨识网络,并取得了较好的仿真识别效果,同时使其具有较大的工程应用前景。