随着电力系统规模的日益发展,对输电线路的安全运行和供电可靠性的要求越来越高。高压输电线路作为输电系统中的枢纽干线,在电力系统中起着重要作用,其故障直接威胁着现代电力系统的安全运行,而且引起的经济损失也越来越大。当输电线路发生故障时,在很短的时间内会有大量的报警信息,如果仅凭运行人员的经验进行故障诊断,其快速性和正确性难以保证。因此研究智能化的高压输电线路故障诊断和分析系统对电力系统恢复决策的制定和电力系统的安全运行具有重要意义。本文在对目前高压输电线路故障分析的基础上,提出了实现输电线路故障类型识别、故障测距和故障诊断的新方法。为高压输电线路故障智能综合分析提供了新途径,具有重要的理论意义和实用价值。针对目前高压输电线路的故障类型识别在原理上主要依据某种逻辑关系来实现故障类型识别的局限性,本文提出采用满足结构风险最小化原理(SRM)的支持向量机(SVM)算法来进行高压输电线路的故障类型识别。针对高压输电线路故障模式空间的非线性可分情况,提出将SVM算法通过非线性变换将输入向量映射到高维空间来进行模式分类的方式,实现了对高压输电线路整个故障模式空间的非线性最优分类,达到了准确故障类型识别的目的。另外,SVM算法还具有训练过程简单,训练结果清晰明了的特性,可以实现故障类型的快速识别。本文利用一种基于双端电气量的新型方法进行输电线路的故障测距。该方法对两端电气量的数据采集不要求严格同步,而且在求解时只需识别出故障所属类型,而无需知道具体的故障相别。仿真测试表明,该方法不受故障类型、故障点位置、过渡电阻和线路两端系统运行阻抗角的影响,能精确地确定出故障点位置,具有较高的实用价值。针对高压输电线路故障诊断的智能方法要求模型简单,容错性能强的问题,本文提出使用径向基函数神经网络(RBFNN)来实现高压输电线路的故障诊断。在对RBFNN网络的隐含节点数目以及核函数的确定过程中,本文提出采用基于HCM算法的聚类过程,该算法与常规的LBG等算法相比,不需要在每一次迭代中计算新的模式种类的重心,并且不用预设高斯核函数的宽度r ,不仅使聚类过程简单,而且避免了人为预设r值对聚类数的确定带来的影响,实现了RBFNN网络结构的最优确定,从而使整个网络达到了较高的利用效率。仿真结果表明, 基于RBFNN的故障诊断系统不仅可以有效地实现高压输电线路故障诊断,而且网络的训练速度和对畸变输入信息的容错能力均优于传统的神经网络方法。