随着技术的不断发展和分布式电源渗透率的提高,微电网内部的输电线路和电力电缆发生故障的频率也越来越高。在微电网运行过程中,输电线路和电力电缆故障会导致大规模的停电,造成非常严重的经济损失,因此有必要对微电网的故障进行识别和诊断。本文以风光储微电网为研究对象,提出了基于优化神经网络的微电网故障诊断新方法。具体研究内容如下:首先为了对微电网故障类型进行准确识别,提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。利用小波包分解对故障特征进行提取;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。鲸鱼算法具有参数配置简单、学习速度快、全局范围寻优能力强等特点。利用鲸鱼算法优化极限学习机的初始权值和隐层节点阈值,解决了初始权值和隐层节点阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,相较于传统神经网络,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化性能更强、识别精度更高。其次针对极限学习机输入参数和隐含层节点数随机选取导致回归能力不足的问题,提出一种基于贝叶斯算法优化多核极限学习机的微电网故障诊断方法。引入核函数,将多项式核函数与高斯径向基核函数加权组合构成多核极限学习机建立故障诊断模型,并采用贝叶斯算法对多核极限学习机相关参数进行优化。贝叶斯算法全局寻优能力强,可通过较少的迭代计算快速准确地找出全局最优值。测试结果表明,所提方法能够高性能地检测、识别和定位微电网中任何类型的故障,其诊断精度最高。最后针对前两章所提方法仅适用于相同的运行环境或当前微电网模型的问题,提出一种基于深度迁移学习和长短期记忆神经网络相结合的微电网故障诊断方法,利用该方法对不同结构的微电网进行故障诊断。首先根据源域数据样本对长短期记忆神经网络模型进行预训练,并保存相关参数;然后将预训练模型中的参数迁移至迁移学习中的域自适应网络,得到TL-LSTM模型,并根据有标记数据（源域数据）和目标域数据对模型进行微调迁移训练,将单一微电网故障诊断模型迁移至其他不同结构微电网,提高了微电网故障诊断模型的实用性和泛化性能。测试结果表明,所提方法能够高性能地检测和识别不同结构微电网中任何类型的故障,其诊断精度高。相比于自适应调整前的预训练LSTM模型,泛化能力和诊断精度均有所提高。