电网故障诊断主要是对各级各类保护装置产生的报警信息，断路器的状态变化信息以及电压、电流等电气量测量的特征进行分析，根据相关量测变化的逻辑和运行人员的经验来推断可能的故障位置和故障类型。但是随着电力系统规模的不断扩大和结构的日益复杂，电网故障时大量的报警信息在短时间内涌现，远远超出运行人员的处理能力，这种情况下能够快速准确地进行电网故障诊断对电力系统日常运行意义重大。　　 随着智能电网建设目标的提出和信息技术的发展，未来各种电网故障信息的获取也将更加及时精确，同时多数据源信息的使用、相关信息融合技术研究的广泛开展及分布式智能的推广应用都为电网故障诊断研究的进一步发展提供理想的思路和广阔的平台。本文研究了电网故障诊断中对不同信息源数据的分析处理方法，以此来获取故障诊断的故障特征和初步决策，又采用信息融合思想和理论对这些表征决策进行信息上的融合，通过建立起大规模电网故障诊断的多智能体信息融合模型来得到最终故障诊断结果，解决了多信息源故障相关数据的处理问题，有效地改善了故障诊断的性能。　　 论文首先介绍了电网故障诊断研究的背景意义、基本概念和发展趋势，然后叙述了近年来得到广泛研究和丰富发展的各种不同电网故障诊断方法和思路，并分析了不同方法的优缺点，又阐述了可用于电网故障诊断不同信息源的结构和特点。　　 第二章分别通过对传统解析模型增加正向模型和将时序属性扩展到Petri网中的方式对原有建模方法进行了改进。在原有的解析模型基础上增加了一个对可能性故障元件进行预判的正向模型，可以更直观有效地获取故障元件候选集，减小了传统解析模型的搜索范围；将时序推理方法和Petri网模型结合，建立起故障诊断的时间标记Petri网模型，这两种方法建立的故障诊断模型能够很好的展示电力系统元件故障时各保护、断路器的动态行为，在解决故障诊断问题上展现出了良好的效果。　　 第三章使用数据挖掘工具粗糙集和神经网络对故障诊断问题进行分析，首先通过使用改进的粗糙集属性约简算法对复杂的故障决策表进行处理，得出简单直观的规则来进行电网的故障分区识别，然后又建立面向元件的故障诊断神经网络模型，对相关元件进行故障情况的判别，通过实例验证了两种方法的可行性。　　 第四章提出了针对故障录波器波形记录的故障分析方法。分析了故障录波器记录的信息特点，基于小波分析方法定义了小波故障度、小波奇异度和小波能量度的概念来表征电网故障中波形记录的信息特征，指出了这些概念在故障分析中的物理意义，给出了相应的计算方法，并用实例展示了这些知识的获取可对最终故障诊断决策提供有效支持。　　 第五章将信息融合思想引入到故障诊断辅助决策过程中，通过将信息融合中的数据、特征、决策概念对应于电网故障诊断中的具体对象，构建了基于多层信息融合的电网故障诊断辅助决策架构。将概率Petri网的故障诊断方法和广域测量系统(WAMS， Wide Area Measurement Syetem)数据故障匹配方法结合用于辅助决策中的特征层融合，并通过案例实践了多层信息融合电网故障诊断辅助决策的应用，解决了电网故障诊断中的一些信息不完备的问题，为未来智能电网的各种高级应用研究提供一种思路。　　 第六章提出多智能体系统(MAS, Multi-Agent System)框架信息融合模型，针对大规模电网的结构和特性，在不同区域对各种信息系统中获得的开关量和电气量等故障信息进行分析，利用多种信息源，集成多种故障诊断方法，采用D-S证据理论融合技术，进行决策级的信息融合，然后通过全局故障诊断确定故障元件。最后的仿真表明这种方法可以实现对大规模电网实时快速的故障诊断。