作为电力系统面向用户的最后一个环节,配电网的安全稳定运行直接影响着用户的用电安全、可靠性和利益。电力系统中90%以上的故障发生在配电网,配电网发生故障后,针对故障区段的测距、定位和排查,故障网络的重构、保护动作及事故分析等都十分依赖于对故障类型的及时准确识别。因此,针对配电网馈线故障类型识别方法的研究具有重要的意义。在介绍国内外电网故障识别领域的研究方向之后,围绕故障特征量的提取方法和智能分类器的选择,概述了配电网故障类型识别方法的发展动态,说明了希尔伯特-黄变换(HHT)在处理非线性、非平稳信号方面的优势和深度学习算法应用在故障识别领域的潜力。通过对配电网故障暂稳态特征的分析,确定了暂稳态结合的故障特征量提取思路。详细分析了 HHT带通滤波算法的处理过程,并给出一个分解实例说明算法在信号分解方面的降噪特性和灵活性。介绍了奇异值分解(SVD)理论,得出奇异值可以表征信号的固有模态特性,适合作为配电网故障特征量。在具体阐述支持向量机(SVM)、卷积神经网络(CNN)等理论的基础上,设计了 9级SVM和7层CNN两个智能分类器用于配电网馈线故障类型的分类识别。提出两种配电网馈线故障类型识别方法。一是基于时频矩阵SVD和多级SVM的方法。利用HHT带通滤波算法分别对母线三相电压、母线零序电压、主变低压侧三相电流等7个故障波形的故障前一周波和故障后两周波进行等频宽分解,构造时频矩阵。然后将时频矩阵经SVD得到的部分归一化有效奇异值作为特征量,输入到多级SVM进行训练和分类识别。二是基于分块时频谱和CNN的方法。对HHT带通滤波后重构的时频矩阵计算能量块,求取分块时频谱并做归一化处理,将其以图像的形式输入到7层CNN进行训练和测试。利用基于PSCAD/EMTDC软件搭建的10kV配电网模型和基于配电网动态模拟系统的物理实验模型获取训练样本和测试样本。测试结果表明,两种方法对配电网单相接地、两相接地、两相短路、三相短路等10种故障类型的识别正确率高,在噪声干扰、采样不同步、系统网络结构改变、负荷电流变化、系统中性点经消弧线圈接地、系统等值阻抗变化、分布式电源接入等情况下均有较好的适应性。在混合样本测试中,两种方法对不同网络系统的样本兼容性良好。基于卷积神经网络的配电网馈线故障类型识别方法无需人为构造和求取特征量,相比另一种方法在鲁棒性和适应性上更具优势。