输电线路作为电力系统的脉络,在电网的安全、可靠运行中承担着主要作用。输电线路一旦发生故障,将直接影响到电力系统的电能传输,进而影响人民的正常生活。输电线路作为输变电系统的重要组成部分,相对于其他输变电设备,输电线路分布广、数量多,大部分安装在露天环境中,工作状况复杂且相对恶劣,更容易发生故障,基于智能算法,针对输电线路开展设备故障辨识有具有重要意义。然而,目前该领域的相关研究所用方法相对单一,且对实际情况的考虑较少,难以满足实际需求。为了提高输变电设备运行水平,亟需对输电线路故障辨识进行深入研究。本文首先基于输电线路的故障录波数据,提出了小波包分解与循环神经网络相结合的故障分类模型。录波数据作为电力系统监测下的典型数据,具有时序特性,能反映故障演变过程中各设备的变化,信息价值丰富。循环神经网络在序列的演进方向进行递归,能够充分提取故障录波中各电气量随时间的变化规律,挖掘潜在特征。通过小波包变化对故障录波进行时频域的分解,将分解后的录波序列作为循环神经网络的输入,提高了故障分类网络对录波所含高频突变量的识别能力。进一步,对循环网络参数以及小波包分解层数进行对比选优,提高了所得模型的准确性。其次,针对输电线路露天工作与外部气象环境关系密切的情况,考虑将故障录波与气象特征综合考虑以完善辨识模型。从气象数据库中提取线路故障时对应的外部环境信息,并对所得数据进行相关度分析后建立了基于气象特征的K近邻故障分类模型。为得到完善的综合辨识模型,首先从数据层面对上述故障录波和气象信息两类特征进行融合。将气象特征时序化后与录波序列拼接,形成新的融合序列并导入RNN网络进行训练。针对新生成序列含有大量不变项导致模型训练效果较差的情况,通过特征降维方法减少了特征冗余,消去了不变项,提高了融合模型的分类精度。进一步,针对精确度最高的融合RNN模型和气象KNN模型对某一类故障分类效果均较差的情况,通过D-S理论在决策层面对上述两模型进行融合,减少了分类过程中的不确定性,最终得到了性能较高的综合故障分类模型。算例结果显示,新生成的综合模型的准确性高于两个单一数据来源的分类模型。最后,考虑了线路故障录波数据在实际中存在的数据异常现象,结合实际情况提出了基于线路拓扑结构的录波数据替换方法。引入信号相似度原理,给出了序列数据替换可行性的量化指标。基于上一节得到的融合分类模型,选取部分故障样本进行验证,并对各样本替换序列的差异值进行计算,得到了上述指标体系下替换可行区间,证明了所提出的替换方法具有一定的有效性。进一步,将所提方法与传统异常数据替换方法作为对比,共同用于异常录波处理,并将各自处理后的样本数据导入网络中进行训练。结果显示,在应对异常录波时,线路拓扑替换方法相对于其他方法,能够最大程度保持模型的训练效果,具有一定的优越性。