由于我国电网规模的不断扩大,配电网中可靠性和供电质量变得尤为重要。当电网发生故障时,终端设备将采集到各种故障信息,这些海量的数据信息涌入调度中心,不可避免的存在小确定性或不准确性,无疑会对电网故障的判定带来影响。由于现有的判定方法在精确度方而存在不足,为此,本文将粗糙集理论、粒子群优化人工神经网络技术相互结合,组成智能混合算法对配电网进行故障诊断。　　本文首先以一个简单的配电网为例,采用基于遗传算法的粗糙集属性约简算法对故障诊断决策表进行数据约简,降低数据的复杂度;然后将约简前和约简后的数据分别输入到BP网络中进行故障渗断,验证了约简前后知识没有改变,且提高了网络训练速度;其次,以一个三母线配电网网络为例,并提l了一种基于正切函数的非线性惯性权重策略(TANW)的改进粒子群优化算法,对BP网络的连接权值和阈值进行优化训练,形成改进粒子群优化的粗糙集一神经网络模型结构。最后,将测试数据输入到训练好的模型中进行故障诊断。为了进一步验证该算法的有效性,将约简后的数据分别输入到IPSO-BP算法、PSO-BP算法和BP算法中进行仿真测试,结果表明IPSO-BP算法不仅具有较快的收敛速度和较高的准确度,而且泛化能力和容错性也得到了显著的提高。