电网结构由原来的主干网逐渐转变为分布式电网,其主要原因是生物质能、太阳能等清洁能源注入电网,使整个网络更加复杂,给电网的安全监测带来了很多潜在风险。使用传统方法难以继续进行故障安全监测,因此本文提出了一种针对接地故障监测的新方法。首先,本文提出以故障特征画像的方式揭示接地故障发生时的变化规律。通过对比常见的时频分析法,采用S变换算法对已有的接地故障数据进行暂态特征分析。不同的故障类型经过S变换后可以得到不同的故障特征画像,从中可以直观地显示故障发生时信号的时频模突变的规律。其次,针对已有故障数据集不够丰富且故障类型单一的问题,利用电力仿真软件PSCAD搭建仿真模型,设置不同条件下的接地故障类型,并分析不同的故障发生时刻、接地电阻以及故障初相角等因素对故障特征的影响。最后,本文提出将深度学习中的卷积神经网络与S变换算法相结合运用于接地故障的识别,构建深层模型反映故障类型与故障特征间的映射关系以完成分类。本文的模型利用故障特征画像作为输入进行故障特征的学习,通过观察训练过程中各项参数的变化,不断地调整网络参数,达到识别故障类型的目的,实现故障检测的最优模型。本文以分布式电网单相接地故障为研究对象,可以准确识别高阻接地、低阻接地以及负载干扰下的正常情况,准确率均达90%以上。并与其他算法进行对比后表明本文所提方法识别精度高,且鲁棒性强,具有良好的工程应用价值。