随着电力系统的规模和结构的不断庞大与复杂,对电力系统故障诊断也提出了更高的要求。人工智能技术的不断发展也为电力系统故障诊断提供了许多不同的理论和方法,很多学者分别利用专家系统、人工神经网络、优化技术、粗糙集理论和模糊集理论等方法对电力系统故障诊断进行了深入研究,都取得了较好的研究效果,但也存在许多需要改进与完善之处。贝叶斯网络是一个有向无循环的图表模型,直观地表述了多个变量之间依赖的关系。它通过一个有向无循环图来表示各个结点之间的因果关系,通过一个条件概率的分布表来表示各个结点之间的关系和密切程度。而且,贝叶斯网络可以很好地把先验知识和现有的数据结合起来,使得贝叶斯网络的推理的结果更为合理。尤其是在当前数据较少的情况下,贝叶斯网络的这一优点表现的更加明显。针对电力系统的故障诊断过程中存在的信息不完整和不确定等问题,而且考虑到信息的时序属性,本文提出了一种基于贝叶斯网络的方法,能够很好地处理故障诊断中存在的这些问题。文章主要的研究工作分别概括为以下几个方面:论述了贝叶斯网络的参数学习算法和结构学习算法;构造基于贝叶斯网络的电力系统故障诊断模型,并且考虑信息的时序属性,构造包含信息时序属性的故障诊断贝叶斯网络的模型;研究了信息预处理的问题,提出了信息时序一致性识别算法和不完整信息状态处理的方法;用贝叶斯网络方法进行电力系统故障诊断的推理等。