تاکنون روش های متعددی در ارتباط با مکان یابی خطا در شبکه توزیع ارائه شده که استفاده مستقیم از این روش ها در شبکه توزیع با مشکلاتی همچون وجود انشعاب های متفاوت و غیریکنواختی فیدرها (خطوط کابلی،خطوط هوایی،سطح مقطع متفاوت) همراه است. این روش ها همچون تبدیل موجک و امپدانسی با مشکلاتی از قبیل نیاز به فرکانس نمونه برداری بالا و چند پاسخی همراه هستند. به علاوه مکان یابی خطا را به دو قسمت فاصله از فیدر اصلی و ناحیه خطا تقسیم می کنند. در پی این مشکلات روش های هوشمند مثل شبکه عصبی و الگوریتم ژنتیک به عنوان راه کار مورداستفاده قرارگرفته است.در این پایان نامه، مکان یابی دقیق خطا در شبکه توزیع نمونه با استفاده از شبکه عصبی انجام گرفته است. در این حالت به شبکه آموزش داده شده به عنوان جعبه سیاهی نگاه شده است، که بدون توجه به هیچ گونه رابطه ای برای سیگنال های ورودی مکان دقیق خطا را مشخص کند. الگوریتم مورد استفاده، ابتدا سیگنال ها را از حوزه زمان خارج کرده و سپس آن ها را پردازش می-کند. در گام بعد سیگنال های پردازش شده به کمک علم آمار برازش می گردند تا ویژگی های نهفته درون آن ها خارج شده و به صورت تفکیک شده به شبکه عصبی آموزش داده شوند. ازآنجا که ورودی های خطا جهت آموزش شبکه در فاصله کمی باهم قرارگرفته اند تفکیک آن ها کاری سخت است. لذا انتخاب تابع پردازش سیگنال و در پی آن پارامترهای آماری و ترکیب آن ها بسیار مهم است. در این پایان نامه دو معیار پیشنهادی جهت برازش پارامترهای آماری معرفی و بررسی گردیده اند. در پایان بعد از آموزش شبکه با ورودی های پردازش شده نوبت به آزمودن شبکه خواهد رسید. جهت آزمودن از سیگنال های خطای ضبط شده در مکان های دیگر شبکه که در نرم افزار ضبط شده اند و بر روی آن ها پردازش انجام شده، استفاده گردیده است. نتایج حاصله به خوبی دقت شبکه را برای خطاهای متفاوت با زوایا و مقاومت مختلف نشان داده اند. نکته حائز اهمیت این است که به تجربه ثابت گردیده برای خطای سه فاز به هم تبدیل هیلبرت عملکرد بهتر و برای خطای دو فاز به زمین تبدیل فوریه عملکرد بهتری را نشان داده اند.