配电网是连接输电系统与用户的桥梁,研究配电网可靠性评估方法对提高供电可靠性具有重大意义与实用价值。为了使配电网可靠性评估结果更贴近真实情况,本文主要以配电网可靠性评估方法为研究对象,提出了几种配电网可靠性评估方法的改进方案,并将这几种方法进行了比较分析。本文的主要成果如下:(1)由于传统方法中的蒙特卡洛法较为灵活,适合模拟随机变化的负荷特性,也是传统方法中公认的比较精确的算法,文中首先利用蒙特卡洛随机抽样的方法,建立了基于时序蒙特卡洛仿真法的配电网可靠性评估模型,计算得到配电网可靠性相关指标。(2)借助神经网络拥有大规模并行处理、自学习的特性,将经遗传算法和粒子群算法优化后的BP神经网络应用到了配电网可靠性评估过程。神经网络建立配电网可靠性评估模型难度较小,把配电网的结构进行适当转换,就可以利用神经网络对其进行计算和评估,该方法能够克服蒙特卡洛法计算量大的问题,使得评估效率有了提高。(3)为了更充分挖掘配电网数据中复杂的特征关系,本文提出了将深度神经网络(深度信念网络)应用于配电网可靠性评估的新方法。考虑到粒子群算法可以很好的优化神经网络的参数,具有全局逼近最优解的效果,文中采用粒子群算法对深度信念网络模型参数进行自适应调节,找到了适合配电网可靠性评估的深度信念网络。并将找到的最优深度信念网络模型计算所得可靠性评估结果与经蒙特卡洛仿真模型、优化BP神经网络模型计算得到的可靠性结果进行比较分析。比较结果说明,相对于浅层神经网络和传统蒙特卡洛法,深度神经网络对配电网数据进行学习后,能更加高效、准确的表达数据样本之间的内部特征关系;经粒子群算法优化后的深度信念网络模型相比于另两种方法,其在配电网可靠性评估的精确度及运算速度这两方面都获得良好的提升效果,显现了粒子群优化的深度信念网络应用于配电网可靠性评估所具有的优越性和先进性。