雷击是引发输电线路故障的首要原因，雷击故障可能导致部分用户停电，严重时可能由于多条线路同时故障而造成大范围停电，降低电网供电可靠性，为此需要采取措施加强电网防雷能力。现有提高一次系统防雷水平的方法无法做到对雷击故障的完全防御，且经济性较差，还需二次系统配合对雷击故障进行预防。二次预防手段是在雷击故障发生前发出预警信号以提前实施运行调度应对该故障。现有预警方法主要有利用大气电场仪等设备的雷电信息预报和基于雷电定位系统的雷击区域移动态势预报。但大气电场仪监测范围较小，无法适用于大范围的线路雷击预测，由于雷区变化的复杂性，雷区移动态势预报算法在实际应用中的可行性也还有待检验。考虑到电力系统运行中积累了大量的雷击监测数据未得到有效利用，并且数据挖掘中的神经网络在雷击故障预警中也同样适用，查阅相关文献未见有基于神经网络的雷击故障预警方法，因此本文在两者的结合方面做了一些尝试。　　本文的主要研究内容有以下几点:　　第一，分析了雷击故障的机理模型，确定雷击故障的各主要相关因素，对雷电定位系统的监测数据和线路杆塔经纬度数据进行处理，以15min为一个时段，在每一时段提取上述相关因素，并基于偏互信息法进一步筛选最优输入因素，与下一时段线路的故障情况一起构成神经网络模型所需的样本集;　　第二，建立了基于BP神经网络的雷击故障预警模型，采用反向传播算法训练网络调整各层权值，对影响因素和故障情况间的关系进行逼近，实际雷击数据的仿真结果表明了该模型在雷击故障预警中具有一定的准确率;　　第三，针对BP神经网络收敛速度较慢的缺点，分别建立了基于广义回归神经网络与广义RBF神经网络的雷击故障预警模型，训练网络优化参数，确定该样本集下输入变量中最佳线路走廊宽度的取值，并比较了三者在预测样本集上表现的优劣;　　第四，为进一步提高预警正确率和应对更复杂数据集，引入深度学习的方法，提出了基于卷积神经网络和支持向量机相结合的雷击故障预警模型，改进了模型输入特征矩阵，分别采用误差反传和人工蜂群算法训练卷积神经网络和优化支持向量机参数，仿真验证了该模型对于雷击故障有较高的预警精度，且虚警率较低，能够为电网实时防雷提供一定的参考。