“双碳”目标的确立,极大推动了太阳能等分布式电源（Distributed Generator,DG）的发展。然而,大量DG接入配电网,使得传统的故障诊断技术面临诸多挑战,针对现有故障诊断方法的不足,结合新一代人工智能算法对含分布式电源配电网故障诊断模型进行设计,并与多种经典故障诊断模型进行对比,验证所提故障诊断模型的优势,本文进行的主要工作以及所获得的研究结论主要包括:首先,为了防止馈线终端单元（Feeder Terminal Unit,FTU）上传的故障电流数据出现畸变对故障定位模型性能的干扰,提出了一种基于秃鹰搜索算法（Bald Eagle Search,BES）的配电网分区定位模型,通过解析各支路的开关函数值,建立配电网故障区段分区矫正模型来实现对畸变信息的有效识别,在33节点配电网中仿真验证了其有效性,标准秃鹰搜索算法无论在单点故障还是多点故障的情况下均能够保持较高的定位准确率,定位速度与准确率均优于PSO、GA、SCA、FFOA 和 WOA。其次,为了提高BES算法含DG配电网分区故障定位的寻优性能,提出一种结合图论分析方法和改进秃鹰搜索算法的分区定位模型,根据配电网网络连通性结构生成邻接矩阵,利用Dijkstra算法计算故障电流从电源流向故障区段的最短路径来判断故障发生位置,完成第一层区域定位。为提高传统秃鹰搜索算法在配电网故障定位中的寻优性能,对传统BES算法做出以下改进:通过交叉算子、非均匀变异算子和翻筋斗觅食策略来改进秃鹰的位置更新方式,提高秃鹰搜索算法定位的快速性、准确性和容错性。在此基础上,结合Sinusoidal映射的均匀分布特性生成初始化种群,达到精确定位故障区段的目的,完成第二层区段定位。测试结果表明,IBES算法和Dijkstra算法相结合的配电网故障分区定位方法在面对大规模的配电网时具有准确性高、容错性好以及定位速度快等优点,充分凸显了该模型在大规模配电网中具有良好的定位精度和求解性能。最后,在PSCAD中搭建中性点不接地系统配电网系统仿真模型,在上述定位模型准确定位出故障所在位置的基础上,提出了一种基于融合深度残差收缩网络（Fusion Deep Residual Shrinkage Network,FDRSN）与 IBES 优化后的支持向量机（Support Vector Machines,SVM）相结合的配电网故障识别方法。从电路原理探讨配电网发生不同类型故障时的电气量特征差异性,确定故障线路特征的故障信号,通过从原始信号中提取时频图特征和灰度图特征,然后送入双通道深度残差收缩网络进行深度特征提取,并在汇聚层中将获取的特征进行融合,增强了故障录波信号的特征学习能力。最后通过IBES优化后的SVM分类器实现不同故障种类的准确识别。与其他模型进行对比,仿真结果表明,在不同分布式电源类型和不同输出功率条件下,与单支路DRSN和融合DRN模型相比,FDRN与IBES-SVM相结合的模型准确率平均提升了 5.79%和2.1%,而且即使故障信息受到噪声干扰时,准确率仍可保持在97%以上,证明该模型具有良好的抗噪性。