在输电网络发生短路故障后，正确而快速的识别故障元件，对于电力系统的恢复决策和供电可靠性具有重要的意义。早期人工智能方法在该领域得到广泛应用，如专家系统、神经网络、遗传算法等，这些方法由于数据源有限，在分析过程中大多只利用开关、保护的动作信息，利用这些信息只能分析简单的故障，对于一些复杂的故障无法得出正确结论的，且开关误动作的信号较多，因此该时期的故障分析软件在复杂故障时只能给出较多的可能性结论，甚至在有些情况下会给出错误的结论，不能真正的在调度中心得到实用化；随着故障录波器在电网中的普及应用，又有专家和学者提出利用故障录波数据进行故障分析，但是故障时很多故障录波器都会启动，如果启动的故障录波器的故障录波文件都传送至调度中心来分析的话，这个时间是非常长的，难以保证故障分析的实时应用。针对以上各种情况，本文主要做了以下工作： ●首先利用PMU的实时数据，开发出故障监测算法，通过该算法在故障时只会召唤和故障元件相关的故障录波文件，有效的减少了待召唤的故障录波文件数目； ●在分析短路故障特征的基础上，开发出利用电流突变量来提取短路故障时间点的算法，该算法具有自适应的功能，在振荡过程中的短路故障可以正确的提取短路故障时间点： ●开发出基于相电流差突变量的选相方法以及序电压的选相方法，两者互为后备，保证在各种短路故障情况下可以正确选相； ●开发出基于突变量的方向元件、零序方向元件以及功率方向元件，能够在各种情况下正确识别短路故障方向； 以上研究表明，利用PMU信息的实时数据以及故障录波数据可以实时分析出短路故障的详细信息，且整个分析自动完成，不需要人工操作，可以大大减轻调度员处理故障的负担，具有广阔的应用前景。