随着国民经济的发展和电网负荷的快速增长，电网的优质运行，经济节能越来越重要，用户也对电能质量提出了更高的要求。而配电网作为和用户联系最紧密的一个环节，因此对配电系统无功电压的管理尤为重要，直接关系到电网的经济性、安全性以及稳定性。配网无功优化是保证用户电能质量和系统安全稳定的重要手段之一。但传统静态无功优化已经不再适合在线分析和实际应用的要求。由于一个调度周期内，负荷处于不停地变化之中，而且实际上一个调度周期内的控制设备动作次数也有限制，因此，有必要研究考虑负荷变化和控制设备约束的动态无功优化。而更高精度的短期负荷预测、更有效的全局优化方法、合理的控制设备控制策略是迫切需要解决的问题，本文针对区域配电网的动态无功优化问题开展了深入的研究，建立了配网短期负荷动态预测模型，将量子粒子群算法引入到动态无功优化中，并提出了控制设备动作权限动态调整法用来解决动态无功优化中时空耦合的问题。　　短期负荷预测是动态无功优化的前提，针对负荷预测高度非线性的特点，本文选取了RBF神经网络，然而常规的神经网络预测模型为静态模型，当通过训练确定网络参数之后，由于神经网络的结构和参数不再改变，因此，随着时间的推移、偶然因素的影响，当前神经网络的结构和参数越来越不满足负荷预测的精度要求，并且预测误差会越来越大。因此，本文提出了一种引入误差判别函数的动态神经网络预测模型。通过重庆江津某地区配电网的负荷预测实例，验证了该方法的有效性和实用性。　　由于动态无功优化要对一个调度周期内的配电网进行优化，因此对优化算法收敛精度和效率要求较高，针对传统智能优化算法全局收敛性差，计算效率不高的问题，本文引入了量子粒子群算法，并和粒子群算法进行了比较。分别通过改进的配电网 IEEE33节点系统进行了仿真，结果表明 QPSO算法无论是收敛精度还是效率均优于PSO算法。为后文的动态无功优化打下了基础。　　动态无功优化的关键问题之一就是时空解耦，在空间上，控制设备之间会产生影响，在时间上，前面的时刻动作与否对后面时刻也会产生影响。因此，本文在考虑电压水平和动作次数约束的前提下，根据各时段的静态无功优化结果，将相邻控制设备的标准差作为动作与否的判定标准。既考虑了不同控制设备在同一时刻之间的影响，又考虑了同一控制设备不同时刻之间相关性的影响，当有新的控制设备动作时，即重新调整动作时刻决策表。将预测的负荷数据投影到IEEE33节点系统中，进行了仿真实验，较好地解决了动态无功优化的时空耦合这一问题，在保证动作次数约束的前提条件下，降低了网损，保证了配电网的安全稳定运行，具有一定的在线应用的前景。