伴随着国民经济的不断发展,用户对电能质量的要求越来越高。但由于气候、人为等多种因素的影响,电力系统发生故障是不可避免的。因此,当电力系统发生故障时,就要求运行人员能够迅速判断故障原因、切除故障元件并恢复系统的正常运行,以便减少对电力设备的损坏,保证向用户安全可靠地供电。随着电力系统规模的不断扩大和结构的日益复杂,大量的报警信息在短时间内涌入调度中心,远远超过运行人员的处理能力,电力系统故障诊断系统可以帮助调度员迅速找出故障元件,是快速恢复供电的前提。本文在对应用于电力系统故障诊断的各种人工智能方法进行了深入研究的基础上,将粗糙集和贝叶斯网络相结合的方法引入到电力系统故障诊断中。首先将保护和断路器信号作为对故障分类的条件属性集,建立考虑各种可能发生的故障情况的决策表,利用粗糙集理论中的属性约简简化条件属性,得到最优属性约简集,形成新的决策表；然后根据电力系统的物理拓扑结构和保护装置的动作原理,分别建立基于系统中元件的故障诊断贝叶斯网络模型；再根据新的决策表化简贝叶斯网络；最后对化简后的贝叶斯网络使用主观贝叶斯方法进行参数设置和推理计算从而实现故障诊断。通过粗糙集理论中的属性约简,故障信息在保证分类能力不变的情况下大大简化,从而大大简化了贝叶斯网络,提高了算法的容错性；贝叶斯网络和主观贝叶斯方法是两种常用的不确定性推理方法,贝叶斯网络具有清晰直观、便于理解、易于表达数据之间的因果关系等优点,但其参数往往难以求取,而主观贝叶斯方法将知识的输入转化为对LS、LN两个参数的赋值,避免了大量的数据统计工作；将主观贝叶斯方法与贝叶斯网络相结合,既克服了贝叶斯网络方法参数难以获得的问题,又发挥了贝叶斯网络在推理方面的优势；在实际的电力系统中,获取的故障信息往往不完备,基于主观贝叶斯方法的推理计算在节点信息缺失时可以根据证据的不确定性推理利用其前项节点应用公式进行推理计算,进一步提高了算法的容错性。通过对算例系统中完备信息、不完备信息下的故障情况进行验证,并将结果与文献中进行了对比,证明了该算法对于多点复杂故障、信息不完备等故障情况有着良好的处理能力,具有一定的应用前景。