配电网常采用中性点非有效接地方式,也称小电流接地系统。小电流接地系统发生单相接地故障的概率较高,但其故障电流小,给故障识别带来了难度。不及时识别单相接地故障有可能引发故障的进一步扩大,危害人身和财产安全。因此及时识别并排除故障,是电网安全稳定运行的保障。故障识别方法大体分为模型驱动与数据驱动两大类方法。模型驱动的方法从模型的角度出发分析电路原理,提取故障特征,例如零序电流比幅比相等方法,分析特征零序电流在不同线路中的差异性,对物理模型普适性要求较高;数据驱动方法从数据出发,挖掘数据蕴含的故障信息,例如故障线路特征数据聚类法,算法以低精度、高密度与大维度的数据为基础,提升数据的影响,弱化对模型的依赖。故障指示器的发展日渐成熟,部分产品已经具有数据采集功能,为数据驱动方法提供了数据支持。本文提出通过提取故障指示器数据完成系统发生故障时全网多维度故障数据的采集,大大提高数据维度,相比于传统的数据驱动方法仅采用变电站中线路的初端数据,空间上多维度的数据更能全面反映系统故障状态,使从冗余的数据中提取故障特征成为可能。本文通过对物理模型的分析,以线路差分电流值作为故障识别的依据,提出利用线路多维数据集以实现线路故障识别的理论;接着针对测量误差对故障识别准确率存在影响的问题,在人工智能发展的背景下,利用深度神经网络对数据集的高效分类能力,构建深度神经网络故障识别模型,设计网络训练与网络测试算法,形成基于深度神经网络的故障识别方法,识别故障线路与故障区段。通过设计仿真,验证了本文提出的方法在变过渡电阻、不平衡负载、具有T型支路等情况下均能准确识别故障。在华中科技大学电力系统动态模拟实验室中进行的测试实验也验证了方法的可行性。