在电力系统中,我国中低压配电网广泛选用小电流接地方式。随着配电网结构日益繁杂,在这种接地方式下如果某一相接地,会出现故障电流数值小以及现场电磁干扰等现象,很难快速准确的识别出故障线路。现有的选线方法准确度较低,且有相对的局限性,影响配电网系统的可靠性,降低了自动化水平。根据以上问题,本文在了解国内外选线方法基础上,结合支持向量机(Support Vector Machine,SVM)理论和粒子群优化算法(Particle Swarm Optimization,PSO)对小电流接地系统故障选线展开研究。论文首先阐述了国内外选线方法的原理及特点,并指出现有方法的不足之处,为论文所提新算法提供理论背景;通过分析中性点不接地以及谐振系统发生单相接地故障时的暂态和稳态过程,确定在进行故障选线时,用小波包分析(WPT)从故障时零序电流信号中提取暂态分量,用傅里叶分析(FFT)提取基波稳态分量、谐波分量,将这三种特征分量作为故障特征,从而克服单一选线方法的不足。然后分析SVM的基础理论以及分类学习算法,确定其可以运用到小电流接地系统故障选线中。由于SVM的参数直接决定选线的精度,为了提高SVM的性能,并证明其在故障选线应用中的优越性,又对粒子群优化算法进行探讨,利用PSO算法简单、易于实现的特点对SVM参数进行优化,因此论文提出了基于粒子群优化向量机(PSO-SVM)的选线方案,并说明了该方法的选线原理及步骤。最后在在Matlab7.0中建立模型,根据多种故障情况做大量的仿真,并获得样本数据。在Maltab中安装libsvm工具箱与之结合使用,抽取部分样本对SVM进行训练得到选线模型,继而抽取测试样本对SVM选线模型检验,证明SVM可成功运用到小电流接地故障选线中,并将PSO-SVM与传统的SVM选线方法比较,从而验证经PSO优化过的SVM在故障选线中具有一定的优势。