随着电力系统的规模日趋庞大,结构更加复杂,对电网故障诊断提出了更高的要求,人工智能技术的不断发展为电网故障诊断提供了很多不同的理论及方法。贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型,其特性与电网故障诊断的要求内在一致,很多学者对其进行了研究,取得了较好的成果,但仍存在问题与不足。电网故障诊断是事故后的诊断,可能已造成元件连锁跳闸甚至系统崩溃,大停电事故表明,传统后备保护在系统扰动引起的异常运行状态下容易误动作,导致事故扩大,随着计算机技术和通信技术的发展,能解决此类问题的广域后备保护系统的实现成为可能。目前油中溶解气体的三比值法是变压器故障诊断的有效方法之一。变压器故障诊断中的信息具有随机性和不确定性的特点,提出一种基于模糊贝叶斯网络的变压器故障诊断方法。该方法利用贝叶斯网表达知识灵活,处理不确定性与关联性问题能力强,模糊集能有效表达模糊事件和信息的特点,利用隶属函数模糊化三比值的分割空间,模糊贝叶斯网络推理获得故障类型。该方法在信息不完备条件下诊断准确率高,为变压器故障诊断提供了一条新的理论依据。针对大电网复杂故障情况,先对其进行改进的蝶形分割,提出一种基于粗糙集与贝叶斯网相融合的分层递归型诊断网络模型,利用粗糙集理论的知识约简和处理不确定信息的能力,对电网故障诊断知识进行分层挖掘,实行属性优选,再运用贝叶斯网络完成故障区域及故障元件的识别,该方法对复杂故障采用多区域并行诊断,该方法正确、有效,能提高系统丢失关键信息情况下的容错性,实时性也很高,具有很好的实用价值。提出一种高容错性的广域后备保护算法,用于变电站间分布式广域后备保护系统。该系统根据保护范围内的故障距离Ⅰ、Ⅱ段信息和故障方向信息通过容错性判别确定故障位置。该算法需要的信息量少,原理简单,可靠性高,在存在各种信息缺失、错误及通信中断情况下仍具备很好的适应性,可极大的提高后备保护系统的性能。