配电网同国计民生息息相关,其安全可靠运行对国民经济和生产生活至关重要。由于配电网接线繁杂,设备、负荷多样,故障时有发生。为了提高电力配送的稳定性,小电流接地系统在配电网中使用较多。而在实际应用中,出现次数最多又较为棘手的是单相接地故障,此类弱故障发生时,电气信号微弱,特征量的幅值较小,是以这种情况下正确进行故障检测、及时选出故障线路一直是亟待解决的难点问题。本论文在弱故障情况下对各线路做弱故障检测,以判断其是否发生弱故障,进而选出故障线路。针对弱故障检测与选线问题,所作工作为:（1）采用选线的方法进行弱故障检测,对现今针对配电网弱故障检测的研究现状及方法进行提炼概述,说明了各自的适用范围和局限性,进而指出仅基于单一特征的方法不足以应对复杂的配电网工况。（2）小电流接地系统发生故障时,会出现稳态分量和暂态分量,前者虽易于获取,却较为微弱,而后者信号显著,存在时长却更短暂。针对暂稳态特征各自的局限性都很大的情况,本论文通过对配电网小电流接地故障暂稳态特征的分析,筛选出能够检测出弱故障的零序电流幅值、零序电流相位、暂态能量、初始行波、暂态入端零序阻抗等多个特征量,综合利用暂稳态特征,并通过相应的变换对其进行量化,之后对所得数据进行数据预处理,清除冗余项,从而用作弱故障检测的样本数据集。（3）提出了基于机器学习的选线方法。首先形成样本数据集,对支持向量机（SVM）、随机森林（RF）、贝叶斯（NB）三种基分类器进行训练,建立分类器模型;分类器模型建立之后,论文采用软投票法,根据每个基分类器在集成分类器中的重要程度和输出标签的可信度,给出每个分类器的输出分类结果的权重,代表对最终分类结果的影响程度,然后对所有分类器的输出结果加权后进行投票,取最高值为输出结果。之后采用动态加权的方法,给各个分类器分配合适的权值,且赋给多分类器系统中的每个分类器的权值不是固定不变的,会根据输入向量的变化而变化。训练好的集成分类器可以在特征不明显的情况下,有效对故障线路进行甄别,检测出发生弱故障的线路。（4）仿真验证本文提出的基于机器学习选线方法的可行性。首先使用PSCAD软件生成原始数据,并对原始数据进行预处理,形成训练样本数据集,之后使用Python软件编写算法训练得到由三种基分类器集成的弱故障检测模型,并利用辨识样本数据集对是否能检测出线路中的弱故障,进而选出故障线路进行验证。本文提出的基于机器学习的SVM、RF、NB三种基分类器相集成的模型同时具有级联和并联处理样本的能力。最后,通过Python编程实现该模型,同时利用仿真,获取故障特征量,对分类器进行验证。结果表明所选取的特征量在故障特征微弱的单相接地故障情况下能够表征出线路的故障情况,由此训练所得的集成分类器适用范围广,在多种工况下都能准确进行故障检测,具有很高的精度。