当今时代,电力能源已成为人类生活中不可缺少的重要资源。在电网运行时一旦出现故障将会给社会生产和人民生活带来巨大的损失。因此当电网发生故障时,应采取必要的措施,快速准确地定位故障发生的区域,找出具体的故障线路,提高电网故障后恢复供电的速度和检测精度。BP神经网络具有良好的自学习能力和自适应性,是当下应用最广泛的电网故障检测方法之一。但是BP神经网络自身存在很多缺点,比如自身梯度下降算法存在着训练精度低、收敛速度慢等不足。Artificial Tree算法是一种新型的群智能仿生算法,引入惯性权重和随机概率的概念对Artificial Tree算法做进一步改进,将改进后的Artificial Tree算法优化BP神经网络中的权重和阈值,并且对神经网络隐含层节点个数进行设计,使网络具有更高的训练精度和更快的收敛速度,进而有效提高神经网络对电网故障检测的准确率。当电网故障发生时,信号容易受到噪声的干扰影响信号采集的准确度,因此用改进后的小波阈值去噪方法去除信号中的噪声源,提高信号采集准确度。并建立基于开关量的电网故障模型得到电网故障信息决策表,训练神经网络,检测故障发生的区间。在Matlab/Simulink仿真软件中搭载基于电气量的故障模型,收集故障发生时的故障信号形成神经网络的训练样本,训练神经网络之后选用部分数据检测神经网络对电网故障检测的准确率。经实验证明改进后的Artificial Tree算法优化的神经网络训练速度更快且对电网故障检测准确率更高可达96%。图19幅;表6个;参50篇。