随着能源和电力系统的发展,可再生能源的并网,用电设备的接入,电网的规模越来越大,网络拓扑结构也越来越复杂,给故障诊断带来困难。电网发生故障时,及时实现故障的定位和故障类型的识别,对保证故障及时排除,供用电迅速恢复都具有重要的意义。大部分电网故障诊断方法是将故障开关量和电气量作为故障诊断模型的输入进行故障诊断,本文从这两种不同的输入量分别针对不同的问题进行电网故障诊断技术的研究。从故障开关量出发,本文针对大电网结构复杂,输入数据量大,难以保证故障诊断及时性的问题,提出了一种基于改进的概率神经网络（Probabilistic Neural Network,PNN）与灰色关联度分析法（Grey Relational Analysis,GRA）相融合的电网分区故障诊断方法。首先,通过电网分区策略将大电网划分为小区域,降低了故障诊断的难度。然后利用改进的概率神经网络建立PNN诊断模块,对电网故障进行诊断。最后利用灰色关联度分析方法对重合区域的故障进行再分析,实现对整个电网的准确故障诊断。利用IEEE 14节点和某220k V双母线电力系统模型,将本文的提出的电网故障诊断策略与其他方法进行比较。诊断结果表明,该方法能有效地识别非重合区域和重合区域的故障,具有较强的容错性和较高的诊断精度。从故障电气量出发,本文提出了一种基于变分模态分解（Variational Mode Decomposition,VMD）与卷积神经网络（Convolutional Neural Networks,CNN）相结合的电网故障定位和故障类型判定的新方法。针对在电网故障诊断过程中,故障特征提取方法会直接影响故障诊断精度的问题,设计了一种基于VMD和希尔伯特黄变换（Hilbert-Huang Transform,HHT）的故障特征提取方法。该方法利用VMD分析故障正序电流暂态信号的特征,筛选出原始正序电流信号经过VMD分解得到的若干本征模态函数（Intrinsic Mode Function,IMF）中的故障特征较多的IMF分量,然后对其进行HHT变换提取故障特征信息。以获得的故障特征向量作为CNN的输入,建立基于CNN的电网故障诊断模型。最后,分析Soft Max层的输出结果,确定故障位置和类型。为了评价该方法的准确性,以继电保护动态仿真平台的小电流接地系统模型为研究对象,实验结果表明,该方法能够实现锁定电网故障位置和确定故障类型,具有良好的精度和泛化能力,且该方法受故障电阻和故障距离因素的影响较小。