随着智能电网的不断建设,输电线路电压等级越来越高,电网规模日益扩大,跨区域间互联越来越紧密,电网的安全稳定运行变得尤为重要。由于自然灾害、人为误操作等因素,电网故障的发生不可避免,如何在涌入调控中心的众多故障信息中,快速识别出故障元件已成为电网故障诊断的主要难题之一。现有的电网故障诊断研究大多基于保护和断路器动作的开关量信息,而针对此类信息的诊断方法往往要求保护和断路器动作信息具备一定的完备性和准确性。在电网发生复杂故障时,保护和断路器可能存在的误动、拒动、信息丢失等不确定性因素,会影响诊断的结果,造成误判、漏判。因此,结合多种信息源的电网故障诊断方法对提高诊断速度和准确性有着重要意义。本文研究了结合开关量和电气量信息进行电网故障诊断的方法。本文首先介绍了基于多种智能方法结合的电网故障诊断研究现状,阐述了电网故障诊断信息系统,分析比较了各信息系统的特点。其次针对开关量信息,基于神经网络的电网故障诊断方法难以获得完备的训练样本数据,同时诊断易受电网拓扑结构变化的影响,建立了面向线路、母线、变压器的神经网络诊断模型。运用反向传播(Back Propagation,BP)神经网络、径向基函数(Radial Basis Function,RBF)神经网络、模糊神经网络三种方法对线路模型进行诊断,其中模糊神经网络的误差收敛速度快、诊断结果偏差小,故采用模糊神经网络对元件模型进行分析。经单重、多重等故障测试样本分析后,该方法具备一定的故障容错能力,但当保护和断路器动作信息畸变严重时,先确认出可疑故障元件,结合电气量信息进一步诊断分析。再次介绍了同步相量测量装置(Phasor Measurements Units,PMU)的构成及特点,改进了基于0-1整数规划法的PMU最优配置模型,本文结合IEEE9节点系统,使用了一种简便的求解方法。基于PMU装置测量电气量信息的实时性,本文在可疑故障线路和变压器中,建立了电流故障突变率指标来描述线路和变压器故障可信度,方法简便,诊断速度快。最后采用D-S证据理论(Dempster-Shafer evidence theory)对基于开关量和电气量的诊断结果进行融合诊断,在不同证据源中引入不确定性函数值,解决可能存在的证据冲突问题,通过算例分析表明,基于两种信息源的融合诊断结果较单一信息源更为准确。