随着风能、太阳能以及潮汐能等不稳定的新能源日趋深入电力系统，电网的结构日益复杂，给电网故障诊断等相关工作带来了极大的挑战。而数字化与智能化电网的快速发展使得大量的电网历史运行数据和实时运行数据被获取，在大数据的时代背景下，机器学习技术能够更好的获取系统隐含的信息。作为最重要的机器学习算法之一，模糊 C均值聚类算法能够在先验知识很少的情况下获取更多的电网信息，是电网系统故障诊断的重要手段之一。　　特征权重算法对聚类效果有很大的影响，针对传统的特征权重算法忽略了特征项在类内和类别间的分布情况，提出了自适应权重FCM算法。该算法从聚类后特征的分布情况出发，研究分类后特征属性表现的有序性程度对聚类结果的影响。以聚类后的特征熵和信息增益作为准则调节特征权重，通过聚类迭代与权重更新直至特征权重收敛，获得数据集的最佳划分。实验结果证明，自适应权重FCM算法能够有效的区分各个特征对聚类的重要程度，具有更好的聚类效果。　　电网容易发生连锁故障反应，快速准确的故障诊断是电网安全运行的关键。针对电网的全局故障分析，提出基于自适应权重FCM算法的电网故障区域识别算法。仿真实验证明，该算法能够准确的识别电网故障区域，并将电网其它节点划分为受故障影响严重的区域、受故障影响较严重的区域、受故障影响较轻的区域和不受故障影响的区域。针对电网节点的故障诊断，提出基于自适应权重FCM算法的电网节点故障类型的离线分析在线诊断的方法。该方法可以通过自适应权重FCM算法离线分析节点的历史运行数据，得到节点的故障模型；进而将故障模型运用于电网系统中，对电网的实时运行数据进行快速地在线故障诊断。仿真实验证明，该方法是合理可行的且能够快速准确的诊断电网节点故障类型。