当配电网发生故障时，要求快速实现故障定位、隔离故障区域和恢复健全区域供电，同时指导检修人员快速到达故障地点排除故障，这对提高供电可靠性具有重要意义，也是馈线自动化的主要内容。本课题应用人工神经网络对配电网的故障类型识别与故障定位进行了深入研究。 电力系统发生故障时，故障信号的变化是非平稳的暂态过程，分析配电网发生不同故障类型时电压、电流信号的特征，应用小波变换技术对故障信号进行预处理，滤除高次谐波和非周期分量，准确的提取反映故障类型特征的三相电压、电流和零序电压工频量作为神经网络的输入向量，分别应用BP网络和SOM网络模型进行故障类型识别。 采用分层分布式神经网络实现直配网络的故障测距，针对不同的故障类型构建不同的故障测距子模块、确定各模块的输入特征向量，对于两相短路，提取故障相工频段电压、电流的幅值和相角以及负序电流相量作为特征向量；对于两相短路接地，提取故障相工频段电压、电流的幅值和相角以及零序电压、负序电流相量作为特征向量；对于三相短路，提取工频段三相电压、电流的幅值和相角作为特征向量。对应各种故障分别应用BP网络和RBF网络模型进行故障测距。 由于FTU上传的信息可能存在畸变，应用神经逻辑网络对FTU上传的信息进行组合纠错，根据纠错后的开关状态实现对复杂配电网的拓扑分解和排序，并结合故障后电流越限信号的纠错输出结果形成故障区间 定位神经网络的输入向量，应用BP网络进行故障区间定位。 仿真分析表明本文提出的方法能准确实现故障类型识别、直配网络的故障测距和复杂配电网的故障区间定位。