高速铁路具有速度快、输送能力大、单位能源消耗低、安全性好、经济效益好、舒适方便等优点,因此成为我国科技与经济的重点发展方向。近几年,我国大部分铁路已经实现了电气化改造,因此电气化铁路中的牵引供电系统成为高速铁路安全、稳定、高速运行的基本条件。高速铁路的牵引供电系统结构复杂,冷暖气候和雷电天气等恶劣运行条件会给高速铁路牵引供电系统的正常运行带来了很大阻碍,比如短时间的高幅值雷电会导致牵引变电所跳闸甚至牵引网断线,使得列车断电无法正常运行,严重影响了高速铁路的安全稳定,因此牵引网的故障研究成为保证铁路正常运行的重要环节。其中,故障识别在故障研究中有很重要的作用,其意义在于指引保护如何进行,也就是发生故障时可以做相应的保护措施,避免出现拒动、误动等现象。本文针对高速铁路贯通式同相牵引直接供电系统牵引网中可能发生的雷击故障、雷击干扰和接地故障等三种扰动进行建模分析和识别研究:(1)本文在高速铁路贯通式同相牵引直接供电系统仿真模型的基础上,根据牵引网的线路结构,对直接供电系统牵引网可能发生的雷击故障、雷击干扰和接地故障进行建模,通过仿真实验得到三种扰动的暂态特征。(2)针对贯通式同相牵引直接供电系统牵引网雷击故障、雷击干扰和接地故障的区分问题,对故障暂态电流的行波进行时域和频域分析,运用时域分析中的样本熵值法、积分特征法和频域分析中的小波能量比分析法对三种扰动进行区分。通过实验结果可以看出,虽然上述三种方法简捷直观,但设定的单一判据在进行故障区分时都有一定的局限性。(3)针对故障暂态电流行波时域和频域分析法设定的单一判据不能对牵引网雷击故障、雷击干扰和接地故障同时区分的问题,提出了基于改进总体平均经验模态分解(MEEMD)与概率神经网络(PNN)结合的智能识别方法。MEEMD分解故障暂态电流信号得到本征模态函数(IMF),用样本熵和排列熵提取IMFs分量的特征,结合PNN进行故障识别实验,通过实验结果可以看出,基于MEEMD排列熵与PNN结合的智能识别方法可以较好地识别牵引网雷击故障、雷击干扰和接地故障,但识别率仍有待提高。(4)针对PNN对牵引网雷击故障、雷击干扰和接地故障进行识别时得到的故障识别率仍有待提高的问题,采用了在处理小样本数据和非线性样本数据有明显优势的支持向量机(SVM)对三种扰动进行识别。MEEMD分解故障暂态电流信号得到IMFs分量,用样本熵和排列熵提取IMFs分量的特征,结合SVM进行故障识别实验,通过实验结果可以看出,基于MEEMD排列熵与SVM结合的智能识别方法可以准确识别牵引网雷击故障、雷击干扰和接地故障,故障识别率明显高于PNN的故障识别率。