微电网线路故障准确诊断与快速切除能够缩短故障时间和降低用户的经济损失,可最大限度地保证微电网系统的稳定性、安全性和可靠性。本文对光储微电网内部线路智能故障诊断问题进行研究,提出将小波包分析与神经网络结合应用在光储微电网内部线路故障诊断中,完成识别故障类型以及故障相别的功能,保证诊断结果的正确性与可靠性,为将来通过硬件实现基于小波包分析与神经网络的光储微电网内部线路智能故障诊断做出了理论性铺垫。本文具体工作如下:首先,在Matlab/Simulink仿真平台上搭建了能够稳定并网运行的光储微电网系统,提出利用小波包分析技术具有检测与展示正常信号中所夹带的瞬态非平稳信号的能力对光储微电网三相输出电压信号进行三层小波包分解,用以检测光储微电网内部线路是否发生故障,并将所提取到的电压重构信号的小波包能量值作为光储微电网内部线路的故障特征,同时指出故障相与非故障相小波包电压重构信号图形及其能量频谱曲线不同特性。其次,提出并构建了关于小波包能量值特征向量的BP神经网络与RBF神经网络内部线路故障诊断模型,分析与比较了两种光储微电网内部线路故障诊断模型的性能。结果表明基于RBF神经网络故障诊断模型无论是在训练与学习过程中训练曲线的迭代速度,还是诊断结果的正确率等方面都优于BP神经网络故障诊断模型。最后,针对基于BP神经网络光储微电网内部线路故障诊断模型在训练与学习的过程中收敛速度慢、迭代次数过多等缺点,且不能够有效地区分微电网两相短路故障和两相接地短路故障,提出利用自适应遗传算法对BP神经网络故障诊断模型的初始联接权值与阈值进行优化,保证其诊断结果的准确性与可靠性。仿真结果表明基于AGA-BPNN光储微电网内部线路故障诊断模型诊断结果正确率与置信度高,且其性能与RBF神经网络故障诊断模型接近,很好地弥补了BP神经网路与GA-BPNN故障诊断模型的缺陷与不足,有效地完成了故障的检测、故障类型的识别以及故障的选相。