基于BP神经网络的电力贯通线单相接地故障测距
毕业设计(论文)-基于BP神经网络的电路故障诊断
模拟电路故障诊断是微电子技术中的一个重要课题，同时也是网络理论的一个重要课，模拟电路故障诊断方法主要有以下三种：
1.3模拟电路故障诊断的意义
模拟电路广泛应用于军工、通讯、自动控制、测量仪表、家用电器等各个方面。随着大规模模拟集成电路的发展，模拟电路的复杂度和密集度不断增长，对模拟电路运行可靠性的要求更为严格。就模拟电路生产工厂而言，也要求能诊断出故障以便分析原因，改进工艺以提高成品合格率。对某些用于重要设备的模拟电路，还要求能进行故障预测，也就是对模拟电路在正常工作时的响应作持续不断的监测，以确定哪些元件将要失效，以便在模拟电路故障发生前将那些将要失效的元件替换掉，以避免故障发生。所有这些，通常的人工诊断技术已无法满足需要。因而，电路故障的自动诊断成为一个急待要解决的问题，自动故障诊断的关键在于诊断程序的产生，而诊断程序产生的中心问题是电路故障诊断理论。因此，模拟电路故障诊断的研究引起世界各国电路理论工作者的高度重视。
现代社会中，电子设备或系统广泛应用于各个科学技术领域、工业生产部门以及人们的日常生活中，电子设备的可靠性直接影响着生产的效率、系统、设备及人类的生命安全。随着电子设备使用的日趋广泛，不论是在设备的生产阶段还是应用阶段，都对电路的故障诊断提出了迫切的要求，要求人们研究新的有效的诊断技术，进一步提高电子设备的可靠性，设备诊断技术引入生产现场已三十多年。最初，设备较为简单，维修人员主要靠感觉器官、简单仪表和个人经验就能胜任故障的诊断和排除工作，即为传统的诊断技术。随着科学技术的不断发展，动力机械设备越来越复杂化、精密化、系统化和自动化，同时价格也越来越昂贵，设备在现代工业生产中的作用和影响越来越大，生产的主体也逐渐由人力向设备转移，与设备有关的费用越来越高，传统的诊断方法已远远不能适应。机器运行中发生的任何故障或失效不仅会引起严重后果，造成重大的经济损失，甚至还可能导致灾难性的人员伤亡和恶劣的社会影响。
一种基于BP神经网络的输电线路故障检测系统
１００一种基于BP 神经网络的输电线路故障检测系统肖欢，阳习党，朱威（海军工程大学，湖北武汉430079）摘要：输电线路故障测距技术对于电力系统的安全稳定运行具有重要作用。
传统多为基于电力学的数学模型，但由于实际情况的复杂性，传统方法往往难以避免各种误差。
针对传统方法的不足，文章提出一种基于BP 神经网络的输电线路故障检测系统，在matlab 环境下进行电路故障测距，输入电路的实测电流电压值，以实际故障距离作为预期输出训练网络。
相比于批量训练，单个训练往往震荡较大而错过最佳的收敛点，批量训练的效果更好。
关键词：BP 神经网络；matlab ；电路故障；训练网络；检测中图分类号：TN386文献标识码：A 文章编号：1673-1131（2019）04-0100-021概述神经网络的建模及预测流程如图1所示。
首先筛选原始的电路电压电流数据及故障情况数据，去除没有发生故障的电路数据，得到出现电路故障的数据集，样本量为18，共涵盖8种不同的电路故障类型。
用最大最小法对故障距离数据进行归一化处理，使故障距离数据分布在[0，1]的区间范围之内。
然后分别初始化神经网络的各层权重和阈值，用随机数的方法初始化权重，阈值置0。
之后进通过BP 算法训练网络，训练的过程主要包括前向传播信号，以及反向传播误差两个部分，以使预测结果越来越接近真实故障距离。
当误差收敛到一定程度时，就得到目标网络模型。
因为数据样本量较小，网络的训练与测试数据集划分采用9折交叉验证法。
将测试数据集的电流电压数据输入训练好的神经网络模型，就可以得到故障距离的预测值。
图1神经网络的建模及预测流程2基于BP 神经网络的输电线路故障检测系统2.1数据预处理传统的故障定位技术根据所使用的测量信息可分为两种方法：单端方法和双端方法。
双端测距方法需要线路两端之（b ）CAD 处理后界面图图7CAD 工程文件脱敏效果示意图5结语本文设计了一种针对网络传输图像文件中的敏感信息防控系统，在确保信息共享和信息交换、无需各类相关文档编辑软件的情况下，在截获和解析相关文档的基础上，通过适当的脱敏处理，确保个人、单位和机构电子文档中包含重要敏感图像的图像文件不会外泄给非授权用户。
基于神经网络的电力设备故障预测技术研究
基于神经网络的电力设备故障预测技术研究随着社会的不断发展，电力设备已成为现代社会不可或缺的基础设施之一。
而随着电力设备的不断使用和维护，各种各样的故障也开始层出不穷。
因此，如何高效且准确地进行电力设备故障预测，成为了电力设备维护工作中不可忽视的一环。
本文将从基于神经网络的电力设备故障预测技术进行研究探讨。
一、电力设备故障预测技术研究意义将神经网络应用于电力设备故障预测技术的研究有很高的现实意义，可以有效避免因电力设备故障带来的安全隐患和经济损失。
目前，基于神经网络的电力设备故障预测技术已被广泛应用于电网运行管理、电力设备状态监测、设备预防性维护等多个领域。
二、神经网络技术的应用神经网络技术是一种模拟人类神经系统的计算模型。
它由多个处理单元（神经元）以及它们之间相互连接的方式组成。
因此，神经网络模型可以自动地模拟出复杂的非线性映射关系。
同时，通过对神经网络的训练，它可以具备学习和记忆的能力。
在电力设备故障预测中，使用神经网络技术的模型，可以根据过去的电力设备数据，从中发现并学习出影响该设备故障的因素，并以其为基础建立整个预测模型。
同时，在模型的预测过程中，神经网络能够自动地对数据进行处理和分类，以此对电力设备的故障情况进行预判。
三、神经网络模型的构建1. 数据预处理在进行神经网络模型的构建之前，需要先将电力设备数据进行预处理。
首先，对数据进行采样和筛选，选择有代表性的数据进行训练。
其次，对数据进行归一化处理，以消除因数据量级不同而带来的差异。
2. 模型构建神经网络模型的构建分为三个步骤：输入、隐层和输出。
其中，输入层负责将数据导入神经网络模型中，隐层是根据输入层产生的结果，用以构造一个用于确认重要性的中间映射层，而输出层则是模型的输出结果。
在电力设备故障预测中，可以使用前馈神经网络模型进行构建，这种模型是一种最简单的神经网络，具有输入、隐层和输出三层。
训练神经网络时，一般采用BP（反向传播）算法。
基于BP模糊神经网络的电气系统故障诊断方法的研究
基于BP模糊神经网络的电气系统故障诊断方法的研究【摘要】本文阐述了BP神经网络模型在水电站电气元件故障诊断中的意义。
以专家经验为依据，结合查阅文献的手段，建立了电站电气元件的故障知识库。
与此同时，构建了基于模糊综合评判的神经网络数学模型。
最后，以一个水电站电气元件故障诊断实例论述，验证该方法的可行性。
【关键词】BP神经网络；电气元件；故障诊断水电站各电气设备组成的是一个错综复杂的系统。
而该系统的可靠性直接关系到整个机组的稳定运行，因此，保证电气系统的良好性能，对于整机长期、安全地运行具有重要的作用。
但是，由于受绝缘老化、电流过大等因素的影响，机组运行的过程中，常常会出现跳闸、继电保护器失灵、差压控制器不作用等故障。
以文献[1]为例，对某水电站10年间的运行事故进行统计。
在该段期间的运行过程中，单调速器发生的故障，竟高达20次之多，而且每次出现的故障症状与可能导致的原因之间并非明确的对应关系，存在着模糊性。
由此，故障的诊断工作异常困难，以至于许多时候，检修环节无从着手。
若事故发生在丰水期，维护的时间愈长，其经济损失也愈大。
对于电气元件的故障征兆和诱发原因之间错综复杂的关系，本文以专家经验为依据，创建了知识库，并构建了电气设备的BP神经网络故障诊断系统。
目的是为了能够准确、及时地根据机组电气设备故障特征来判断准确的故障原因。
1 电气设备故障推理知识库的构建水电站电气设备故障推理知识库，其本质是一个问题求解的知识集合，它包含着各种基本事实、规则以及其他相关信息。
库中的知识源于多名行业内经验丰富的专家，其精度的高低，是决定着系统分析能力的关键。
在本文中，推理知识库的构建（表1）主要分为两个步骤进行。
1.1 文献搜集对近60年来，100多例国内水电站电气设备及自动化元件的故障案例进行统计，并将所有案例中出现的事故征兆和故障原因进行逐一地剖析、整理。
例如，某台水轮发电机组在运行的过程中，监控系统显示电气元件事故报警，出现的故障征兆是系统有功负荷降低，通过剖析故障原因得出的结论是：反馈传感器发生了故障，则分别将其加入到库中的征兆和原因两个部分。
基于小波变换与BP神经网络相结合的配电网单相接地故障定位方法_李振然
基于小波变换与BP 神经网络相结合的配电网单相接地故障定位方法李振然,贾旭彩,李滨(广西大学电气工程学院,广西南宁530004)摘要:提出一种基于小波变换与BP 神经网络相结合的方法来实现小电流接地系统单相接地故障定位。
由于利用暂态故障电流和暂态母线电压的模极大值的实部和虚部作为BP 神经网络的输入,提高了识别故障能力和可靠性,通过对BP 神经网络的特别处理,大大地减小过渡电阻对故障定位的影响。
仿真结果表明,该故障定位方法准确可靠。
关键词:小波变换; B P 神经网络; 单相接地; 故障定位中图分类号:TM711 文献标识码:A 文章编号:1003-4897(2004)09-0024-030 引言我国10~35kV 配电网一般为小电流接地系统,单相接地时不会形成短路回路,故障线路流过的电流为所有非故障线路对地电容电流之和,数值很小。
对中性点经消弧线圈接地的配电网,故障线路的故障电流经感性电流补偿后数值更小甚至反相。
而系统的线电压仍然是对称的,不影响对负荷的连续供电。
规程规定可以继续运行1~2小时,但随着馈电线的增多,电容电流增大,长时间运行就容易使单相接地变成多点接地短路,弧光接地还会引起全系统的过电压,损坏设备,破坏系统的安全运行,所以必须及时找到故障线路和故障地点。
由于单相接地的稳态故障电流比较小,有可能接近于或低于电流互感器容许电流的下限值,测量误差较大。
同时,稳态故障电流在数值上可能与零序电流滤过器的不平衡电流值接近,很难区别。
对经消弧线圈接地系统,由于感性电流补偿,使故障线路稳态故障电流更小,甚至出现反相,给故障选线增加困难。
小电流接地系统单相接地时故障电流的暂态分量比稳态故障电流大几倍甚至更大,而且暂态量的频率比较高,消弧线圈接近开路,补偿感性电流对暂态分量的影响比较小。
小波变换从暂态故障电流中提取故障特征可显著地提高故障选线的精度和可靠性,已成功地用于故障选线[1~4]。
中性点不接地系统单相接地的故障定位比故障选线更困难,关键问题有两个:一是稳态故障电流比较小;二是如何克服单相接地时过渡电阻对故障定位的影响。
基于BP神经网络的故障诊断研究
基于BP神经网络的故障诊断研究故障诊断是工业生产中的重要环节，能够有效地保障生产设备的运转，减少设备的损坏和停机时间，提高工业生产效率和经济效益。
近年来，随着神经网络技术的发展和应用，基于BP神经网络的故障诊断方法受到了广泛关注和研究。
本文将从问题阐述、方法研究和应用展望三个方面来探讨基于BP神经网络的故障诊断研究。
一、问题阐述故障诊断是指在生产设备日常运作过程中，通过对设备的监测、检测和分析，及时、准确地判断设备状态，发现和分析故障根源，提出改进措施，防止和减少故障的发生和影响。
故障诊断包括多种方法和技术，如信号处理、统计分析、机器学习等。
其中，基于BP神经网络的故障诊断方法备受重视。
BP神经网络是一种基于误差逆传播算法的多层前馈网络，适合于非线性、强耦合、复杂的系统建模和预测。
在故障诊断中，BP神经网络可以通过监测信号的输入和输出，建立故障诊断模型，判断设备的健康状况和故障类型，提高故障诊断的准确性和可靠性。
然而，BP神经网络的应用也存在一些问题和挑战，如训练样本的获取和处理、网络结构的优化和选择等。
因此，基于BP神经网络的故障诊断研究面临着如何建立有效的模型、如何提高诊断准确性、如何提高网络可靠性等问题和挑战。
二、方法研究基于BP神经网络的故障诊断方法主要由三个步骤构成：数据采集与预处理、网络模型建立与训练、故障诊断与分析。
其中，数据采集与预处理是基础，网络模型建立与训练是关键，故障诊断与分析是应用。
下面将对这三个步骤进行详细介绍。
1. 数据采集与预处理数据采集是获取设备监测信号的过程，通常使用传感器和数据采集卡等设备来完成。
收集到的数据包括设备的各种信号，如电流、电压、温度、振动等。
预处理是对所采集到的数据进行滤波、降采样、归一化和特征提取等处理，目的是消除干扰和噪声、降低数据维度、提高特征有效性和区分度。
2. 网络模型建立与训练网络模型建立是指根据所采集到的数据，利用BP神经网络建立故障诊断模型。
一种电力贯通线单相接地故障测距的新方法
一
种 电力贯通 线 单相 接地 故 障 测距 的新方 法
邱 万 英
（ 华东 交 通 大 学 基 础 科学 学 院 ， 江西 南 昌 ３０ １） ３０３
摘要 ： 简析 了电力贯通线单相接 地故障时电压 电流与阻抗之 间的关 系， 出了基于 Ｍ Ｔ Ａ 提 Ａ Ｌ Ｂ仿真的新型故 障测距 法。该方 法不需新增任何硬件设备 ， 仅需使 用现有的远动 系统和相 关软件。利用远 动装置判 定故障所在 区间， Ｍ ＴＡＢ对该 区间 用 ＡＩ 进行仿真 ， 并根据仿真结果 ， 用最小二乘法拟合 出测距公式。研 究成果 已经应 用到 第一线 ， 希望在试 用中得 到检 验、 改善 。 虽然 仿 真是 针 对 南 昌至 永修 电 力贯 通 线 进行 的 ， 这 种解 决 问题 的 思路 ， 以推 广 至 所有 贯通 线 。 ‘ 但 可 关 键 词： 故障测距 ； 贯通线 ； 单相接地 ； Ａ Ｌ Ｂ仿真 ； Ｍ ＴＡ 最小二乘法
即
’
（） ４
： ｚ１ — — — — — 一 ＝— — — ■ — —
．
坠
一Ｚ ｓ
一
ｌ） （ ３ ５ Ｊ
』１
实际运 行 中 ， 够直 接测 得 的电压 电流 只有 ｌ 和 ，， 便 于测 距 ， 设法 求 出 ＺＩ 能 ， １为 应 与 １ ，ｌ ， ，的 ２
关 系表达 式 。
压 升高 ， 绝缘构成 威胁 ， 对 可能发展 成其他 形式 的严重故 障 。上 述特点 与普通 ｌ Ｖ线 路 相 同。但 与普通 ０ｋ ｌ Ｖ线路 相 比较 ， ０ｋ 贯通线 主要有 如下不 同点 ： （） 路结构 多变 。贯 通线 常常 由架 空线 与电缆交 替分段 连接 ， 成 了架空线 与 电缆 的混合 线。 １线 组
基于BP神经网络的配网故障定位分析系统[发明专利]
![基于BP神经网络的配网故障定位分析系统[发明专利]](https://img.taocdn.com/s3/m/d98398290508763230121219.png)
专利名称：基于BP神经网络的配网故障定位分析系统专利类型：发明专利
发明人：朱和平
申请号：CN202010379582.4
申请日：20200507
公开号：CN111413593A
公开日：
20200714
专利内容由知识产权出版社提供
摘要：本发明公开了基于BP神经网络的配网故障定位分析系统，包括变电站、特频信号发生器、信号连接器、信号反馈单元，所述变电站出线端还设置有故障录波单元、数学模型单元、分析主机，其中所述特频信号发生器用于提供各种频率、波形和输出电平电信号；所述故障录波单元用于电力系统发生故障时，自动地、准确地记录故障前、后过程的各种电气量的变化情况。
本发明将会替代传统的普通故障指示定位装置系统，以此提供故障检测的灵敏度、准确性并实现故障自动定位，还可以提供瞬时性短路故障、瞬时性和间歇性接地故障的在线监测和预警功能，以及故障后事故分析和总结功能，同时提高配网线路的智能化管理水平。
申请人：南京电博机器人技术有限公司
地址：210000 江苏省南京市浦口区高新技术开发区星火e方1栋1924
国籍：CN
代理机构：广州博士科创知识产权代理有限公司
代理人：宋佳
更多信息请下载全文后查看。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于BP神经网络的电力贯通线单相接地故障测距吴先强华东交通大学电气与电子工程学院，南昌（330013）E-mail：wxq79903782@摘要：铁路10kv贯通线往往是由多段电缆和架空线组成的复杂混合线路，电气结构复杂，不能直接应用高压输电线路故障测距的成熟算法，其故障测距一直是个技术难题。
发生故障后，调度端比较容易获得线路两端稳态三相电压值和线路首端的稳态三相电流值，本文提出了使用BP神经网络拟合故障数据的新方法，能够比较全面准确的反映各种因素的影响，仿真和实际数据表明该方法具有较高的准确度。
最后用图形界面实现了测距算法，使用起来非常方便。
关键词：铁路贯通线，故障测距，工频量法，BP神经网络中图分类号：TP273 文献标识码：A0 引言铁路电力贯通线担负着为沿线重要负荷供电的重任，是保证铁路运输正常运营的关键之一。
但是由于各种因素，不可避免的会发生各种形式的故障。
根据统计结果，自闭/贯通线的短路故障有三相短路、两相短路、单相接地短路，其中近90%的故障为单相接地故障[1]。
本文主要针对单相接地故障进行研究。
目前现有的在输电线路上取得较好效果的方法很难直接应用于这种复杂线路上，事实上，目前还没有一种故障测距装置能够在现场很好地解决该类线路的故障测距问题。
故障测距问题涉及的因素众多，难以用传统的数学方法对它进行十分准确的描述，而人工智能技术善于模拟人类处理问题的一些特点，可以处理一些复杂的问题，因此很多学者研究了智能技术在故障测距中的应用[2]-[9],并且取得了一些进展。
本文首次提出利用BP神经网络拟合故障发生后的线路两端三相电压和首段三相电流稳态值的故障测距方法，对南昌至永修的电力贯通线进行了研究。
该线路全长51.866千米，由19段电缆与架空线混合连接而成，其中用到两种规格的电缆，一种规格的架空导线，结构非常复杂。
1 南昌至永修电力贯通线故障仿真根据南昌至永修电力贯通线的设计和运行参数，在假设线路三相对称的基础上，负荷采用典型负荷值，按一定比例分布在5个区间上，得到仿真电路。
为了达到比较好的拟合效果，以1km为步长选取模拟单相接地故障发生点。
同时考虑到两段线缆的接头处是故障的易发点，这里对每个接头处模拟了故障。
最终形成的训练样本故障距离向量为：[0，1，2，3，4，5，5.5300，5.7850，5.9950，6.3250，6.4200，7，8，8.7060 ， 10.2360 ，11.5510，12，12.9610，14，15，16，17.1530，17.3380，18，19，20，21，22 ，23， 24， 25，26，27，28，28.8570，29.2150，30，31，32，33，34，35，36，37，38，39，40 ，41， 41.9670 ， 42.2990，42.9090，43.4620，44，45，46，47，48，49，50，51.3820，51.8660]，单位为千米，共计61个模拟故障发生点。
对每个故障点分别设置过渡电阻为[0.001，10，20，30，40，50，100，200，1000]，单位为欧姆。
这样共计有549组故障样本数据。
故障测试样本的故障发生点选取为[0.5，10.5，20.5，30.5，40.5，50.5]，单位为千米，过渡电阻为[0.001，10，20，30，40，50，100，200，1000]，单位为欧姆。
这样共计有54组故障测试样本数据。
为了便于神经网络的处理，所有数据都做了相应的预处理，使大部分的数据处于0到1之间。
2 基于BP神经网络的故障测距算法考虑到目前的现实情况是只能获取线路首端三相电压电流幅值和线路末端三相电压幅值，这里采用这9个数据进行故障测距。
在这里，网络的输入层有9个神经元，而输出层由1个神经元构成。
中间层神经元的个数通过实验，取为30个。
网络中间层的神经元传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig。
这是因为函数的输出位于区间[0,1]中，正好满足网络输出的要求。
根据以上设计结构，在MATLAB中创建神经网络，并加以训练。
这里训练收敛速度很快，通过实验，训练次数取为200次。
达到学习目的的神经网络对故障样本点拟合得很好，拟合的误差见图1所示。
拟合的平均误差err_av=0.138km，最大绝对误差为max_err=0.9162 km，平均相对误差为rerr_av =0.27 %。
图1 神经网络拟合误差曲线测试故障样本进行与训练样本相同的预处理后，对网络进行测试，其故障测距误差分布如图2所示。
故障测距结果的平均误差terr_av = 0.130km，最大绝对误差为max_terr = 0.600km，平均相对误差为trerr_av =0.25 %。
故障测距的精度非常高，完全能满足工程实际的精度要求。
图2 测试样本的误差分布3 图形用户界面图形用户界面使用直观方便，利用前述故障测距算法，很容易做成相应的图形用户界面，作者在MATLAB中实现的图像用户界面如图3所示。
在该界面下，在相应的文本输入框中输入故障发生后的线路首段三相电压电流的幅值和线路末端三相电压的幅值，按下“计算”按钮就可得到相应的故障测距结果，用红色的数字显示；按下“清零”按钮，所有文本输入框和上次故障测距结果就会消失，等待用户再次输入数据；使用非常的直观和方便。
图4为实际故障位置为距电源端20.5km处发生单相接地故障时的情况。
4 小结本文利用9个电稳态气量，设计了相应的BP神经网络，经过学习大量的故障样本数据，训练后的神经网络很好的拟合了训练样本集里的故障数据，对故障测试样本也做出了相当精确的反应，实现了故障的精确测距。
为了便于使用，最后把故障测距算法用图形界面实现。
本文的研究给出了如下重要的结论：图3 故障测距的图形用户界面（1）BP神经网络的非线性拟合能力非常强，能够用来解决复杂电力贯通线的故障测距问题。
建立合适的仿真模型，获取大量的训练样本，建立合适的网络结构，采用合适的训练方法训练网络是关键的问题。
合适的仿真模型需要对现场情况深入调研，仿真数据与实际测量数据要吻合；而合适的网络结构和训练方法则要利用经验，通过实验的方法来确定。
（2）目前容易获取的线路首段三相电压电流幅值和线路末端三相电压幅值这9个稳态电气量也蕴含了足够丰富的故障位置的信息，可以用来实现足够精确的故障测距。
（3）文中方法的实际应用效果需要在实践中进一步加以检验，希望通过不断完善，能真正在实际中解决电力贯通线故障测距这个技术难题。
参考文献[1] 蔡玉梅. 10kV铁路自闭贯通线路故障测距方法研究[D]. 西南交通大学硕士学位论文,2005.[2] 毕天姝,倪以信,杨奇逊. 人工智能技术在输电网络故障诊断中的应用述评[J]. 电力系统自动化. 2000.1:11-16.[3] 毛鹏,孙雅明,张兆宁.基于神经网络原理的高压架空输电线路故障测距模型的研究[J].电力系统及其自动化学报,1999.811(8):66-72.[4] 杨家兴,束洪春,蔡武卫.基于人工神经网络的输电线路单端故障测距方法[J].云南电力技术,2000,28(4):20-21;[5] 束洪春,司大军,葛耀中,陈学允.人工神经网络应用于输电线路故障测距研究[J].电工技术学报,2000.12,16(6):61-64;[6] 毛鹏,孙雅明,张兆宁.具有冗余神经元神经网络模型系统的输电线路故障测距的研究[J].中国电机工程学报,2000.7,20(7):28-33;[7] 范春菊,张兆宁,郁惟镛.小波模糊神经网络应用于配电网输电线的故障测距[J].电网技术,2002.9,26(9):13-17;[8] 王兴国,张举,李志雷.多信息量分布式小波神经网络在电力系统故障测距中的应用[J].电力自动化设备,2005.11,25(11):51-55;[9] 刘凤霞,刘前进.基于模糊神经网络的故障测距[J]. 电力自动化设备,2006.5,26(5):32-35.Study of Single-Phase-to-ground Fault Location for 10kVRailroad Power Continuous LinesWU XianqiangSchool of Electrical Engineering , East China Jiaotong University, Nanchang (330013)AbstractRailroad power continuous lines always consists of power cables and overhead lines. We can't apply methods that successfully used in high-voltage lines directly. So fault location for railroad power continuous lines is difficult. Dispatching center can easy acquire the three-phase-voltage values from both ends of the line and the three-phase-current values in the first end of the line after fault. According to these characteristics, this paper presents BP neural network to locate position of the single-phase-to-ground fault. The result of simulation and experimental data shows that the method has a high degree of accuracy. Finally the graphical user interface that is easy to use has programmed. Keywords: Railroad Power Continuous Lines，fault location, power frequency quality, BP neural network。