配电网是电力系统中与用户联系最为紧密的环节,其覆盖面广泛,相比于输电网故障几率高。目前,配电网的规模不断扩大,对配电网馈线的安全性和可靠性的要求也越来越高。相较于一般单相接地故障,高阻接地故障的过渡电阻很大,引起的电压、电流突变很小,常规的保护设备难以检测到并可靠动作,故障无法及时排除可能导致电气设备损坏以及火灾、人身触电等安全事故,后果严重。因此需要对其进行快速检测及识别分类,并采取相应措施。通过介绍高阻接地故障检测领域国内外研究方向和发展趋势,对比多种信号特征提取方法和智能分类器的优缺点后,说明局部特征尺度分解(Local Characteristic scale Decom-position,LCD)在非线性、非平稳信号的处理上效果很好,同时提出了将深度学习算法应用在故障识别方面的可能性。分析LCD带通滤波的信号处理过程,说明LCD带通滤波算法在信号分解上可靠性高、可以反映信号的时频信息。考虑到配电网中存在与高阻接地故障波形相似的暂态扰动工况,数据样本中囊括了高阻接地故障、一般单相接地故障以及电容投入、负荷投入、空载线路等暂态扰动工况。本文提出了两种配电网高阻接地故障识别方法。方法1是基于LCD带通滤波和多级支持向量机(Support Vector Machine,SVM)的方法。提取各工况的母线三相电压以及零序电压四个波形的故障前半周波和故障后一个半周波的波形数据,利用LCD带通滤波算法作等频宽分解,构造时频矩阵。对重构时频矩阵提取各频带标准差作为样本特征量,输入支持向量机训练和测试。方法2是基于分块时频谱和卷积神经网络(Convolution Neural Network,CNN)的方法。对得到的时频矩阵求取分块能量谱,将其以图像的形式输入到7层CNN进行训练和测试。利用基于PSCAD/EMTDC软件搭建的10kV配电网模型和基于配电网动态模拟系统的物理实验模型获取训练样本和测试样本。测试结果表明,两种方法对配电网高阻接地故障的识别正确率高,在噪声干扰、采样不同步、分布式电源接入等情况下均有较好的适应性。基于卷积神经网络的识别方法无需人为构造和求取特征量,相比另一种方法在鲁棒性和适应性上更具优势。