近几年,国民经济的快速增强使得对于电力能源的需求越来越大。而高压输电线路作为电力系统远距离电能输送的关键组成部分,一直受到各种确定或者随机影响因素的干扰,故障的不确定性甚至非线性对于故障的快速诊断辨识能力要求越来越高。人工神经网络作为近几年快速发展的一种具有良好分类能力的算法,渐渐成为解决输电线路故障诊断与辨识问题的重要方法。为了提高诊断故障的快速性,本文提出一种基于希尔伯特黄变换(HHT)与概率神经网络(PNN)相结合的输电线路故障辨识方法。该方法分为故障的特征提取与故障分类辨识两方面。对于输电线路故障特征提取,利用HHT能够充分反映局部暂态信号的特点,应用集合经验模态分解(EEMD)对输电线路各相电流以及零序信号进行短路故障信号的分解,分解后的信号再进行HHT变换获得包含频率、幅值故障信息的边际谱,并提取出边际谱的特征能量函数值组成输入神经网络训练以及测试的数据集。对于输电线路故障辨识问题,由于单纯的概率神经网络PNN的分类效果受到平滑因子σ(平滑参数)影响,因此应用寻优能力很强的遗传算法对PNN的平滑因子σ进行优化,最后将故障特征提取得到的特征数据集输入到已训练好平滑因子σ的神经网络进行测试,完成对输电线故障的辨识分类。利用仿真模型以及真实故障录波得到的各种短路故障数据,经分解、变换提取最终输入到PNN故障分类器进行故障分类辨识,并与不同算法的分类结果进行对比,结果表明该方法能够有效地辨识输电线路故障。而且对于输电线路非线性故障信号能够做到良好的处理,结合最小分类错误率的贝叶斯决策进行故障分类能够保证故障分类的准确率,并对于一定的干扰噪声也有着良好的去噪以及故障信号特征提取能力。