از دیرباز وقوع خطا و اتصال کوتاه یکی از مسائل اجتناب ناپذیر خطوط انتقال بوده است. این خطاها در شبکه های قدرت موجب بروز خساراتی سنگین در تجهیزات شده و تلفات جانی و مالی بسیاری را نیز در پی داشته اند. بنابراین می بایست تا جای ممکن خطاها را سریع تر و صحیح تر تشخیص داده و اجازه باقی ماندن خطا به مدت طولانی در شبکه را ندهیم. تلاش مهندسین برق در طی سالیان گذشته موجب دستیابی به روش های متنوعی در زمینه تشخیص نوع و مکان خطا شده است. در این میان می توان به روش هایی از قبیل آنالیز فرکانسی و استفاده از معادلات حاکم برمدار، شبکه های عصبی مختلف مانند multi layer perceptron, back propagation , radial basis function و غیره، الگوریتم ژنتیک و سیستم های fuzzy اشاره کرد. تمامی این روش ها به دنبال یافتن راهی مطمئن، سریع و با قابلیت پیاده سازی در صنعت بوده اند که در این بین به نتایج بسیار مفیدی نیز دست یافته اند. اتصال کوتاه موجب پیدایش اغتشاشاتی در سیستم قدرت می شود، که این مسئله به معنای به وجود آمدن امواجی با فرکانس های بالاتر از فرکانس شبکه و دارای شکل موج غیر سینوسی می باشد. در نتیجه به منظور تحلیل درست تر شبکه در حالت اتصال کوتاه از مدل های محاسباتی پیچیده ای که برای فرکانس های بالاتر مطرح شده است، استفاده می شود. با توجه به این که امکان وقوع اتصال کوتاه تک فاز نسبت به سایر خطاها بیشتر می باشد. بنابراین مطالعات بیشتری بر روی این خطا انجام گرفته و از مدل قوس اولیه به منظور شبیه سازی دقیق تر این خطا استفاده شده است. به منظور شبیه سازی خط انتقال نیز از دقیق ترین مدل موجود یعنی مدل j.marti استفاده شده است، که خط مورد نظر در این پایان نامه، خط انتقالی 400 kv با طول 160 کیلومتر، تک مداره و دارای باندل 4 تایی می باشد. در طی این پایان نامه سعی بر این است که کاربرد دو شبکه عصبی دیگر را در تشخیص نوع خطا و همچنین مکان وقوع آن در خطوط انتقال فشار قوی مورد بررسی و تحلیل قرار گیرد. بدین منظور شبکه عصبی fuzzy artmap و شبکه radial basis function با یادگیری bayesian به عنوان ابزارهایی برای تشخیص مکان و نوع اتصال کوتاه در یک خط انتقال فشار قوی مورد بررسی قرار گرفته و نتایج به دست آمده با نتایج موجود از سایر شبکه ها مقایسه شده اند.