电力系统故障定位和故障诊断是对电力系统故障进行快速准确处理的重要保证,也是保证电力系统安全稳定运行的重要环节。本文对BP网络和kohonen网络这两种具有代表性的传统神经网络在故障选相方面的表现进行了分析。分析结果表明,BP网络具有较好的自学习能力和聚类能力,但是收敛速度较慢,容易陷入局部极小点。针对此问题,本文构建了一种基于Sigmoid函数的小波神经网络,将其应用于故障选相中,并与BP网络故障选相进行了较为详细的比较。比较结果表明,该种小波神经网络优于BP网络,在故障选相方面有不错的表现。对于故障测距,由于神经网络在样本较多的情况下难于收敛,本文提出了一种分块训练模式,使每个子模块中的样本数量大大较少,网络能比较迅速地收敛。本文采用小波神经网络根据该种分块训练模式实现故障测距,并对结果进行了分析和讨论,为该种分块模式训练的小波神经网络在故障测距方面的实际应用打下了一定的基础。本文采用小波神经网络实现了电力系统故障诊断。在此基础上,引入粗糙集这种比较新颖的数据挖掘工具来改善小波神经网络的性能,提出了一种基于粗糙集理论分层的小波神经网络模型。采用这种模型实现故障诊断,并将其结果与单纯小波神经网络以及常规粗糙集与神经网络结合方式的小波神经网络的故障诊断结果作了比较。结果表明,该种基于粗糙集分层的小波神经网络的收敛速度和对变异样本的识别能力有了明显的提高。