随着电能质量监测数据的急剧增加和数据分析处理技术的成熟,将电能质量监测数据与实际生产需求相结合,探索电能质量监测数据的应用价值,已成为电能质量领域的重要研究内容。本文提出了一种基于电压暂降监测数据实现故障定位的方法,利用BP神经网络拟合电压暂降残余电压与故障位置之间的映射关系,主要研究工作包括:1.利用两步聚类法将2016-2017年间某市的电压暂降监测数据完成聚类分析,获得了四种类别。根据不同类别电压暂降事件中的残余电压值,体现了电压暂降监测数据与故障类型及故障位置间存在的潜在关联关系。2.利用BP神经网络建立了故障定位模型,具体包括:神经网络结构、输入输出变量的物理定义、网络参数及最优训练算法和利用输出值区分母线故障和线路故障的故障位置综合判别方法。3.研究了“离线训练-在线应用”故障定位模式和流程。首先,编制了BPA与MATPOWER的接口程序,实现了故障的自动批量仿真,模拟获得了电压暂降数据;其次,进行BP神经网络离线训练,获得故障定位的神经网络模型;最后,将在线监测的电压暂降数据输入已离线训练好的神经网络,进行在线应用,获得故障位置。4.利用输电网和配电网标准算例以及实际城市电网中的仿真数据和实测数据验证了本文所提方法的准确性和有效性。除此之外,在实际城市电网模型中,利用皮尔逊相关系数计算分析了故障位置判别指标与实际故障位置之间的相关性,验证了故障位置综合判别方法的有效性;在配电网标准算例中,探索了减少监测点对故障定位准确性的影响,分析了在监测点不完全配置情况下的定位精度。本文所提故障定位方法充分利用了大数据思维,基于大量离线训练数据进行故障定位,在线应用时无需计及系统拓扑及阻抗参数,能够实现较高精度的故障定位,是电能质量监测数据应用的重要尝试。