当针对电力系统中相关设备或者波形等开展研究时,单一信息源的特征不足以对其进行全面刻画能力。近年来,随着大数据、物联网和云计算时代的到来,电网数据量不断庞大,特征种类日益增多,为设备状态诊断等各种模式的辨识提供了多源化的信息支撑。但这些特征来源增多、分布差异大、信息之间关系复杂,仅凭传统的单核分类器难以保证分类效果。因此,有必要研究如何有效分析和处理高维特征及保持分类器的辨识稳定性。为提高面向多源特征模式识别算法的精度和性能,本文分别在特征提取、模式分类、决策环节引入融合算法,进而构建面向多源特征模式识别算法的框架,以满足不同场景的应用需求。为实现提取环节的融合,考虑到成对特征联合作用对特征与类别相关度的影响以及度量尺度规范化问题,本文对最大相关最小冗余准则进行改进,提出了基于联合交互-冗余的最大相关最小冗余准则的特征选择算法。在完成模式分类环节融合时,考虑到不同来源特征获取途径不一,选用支持向量机作为分类器来克服某些来源样本量较少的问题。同时由于不同核函数或同一核函数不同参数的学习性能差异较大,因此通过组合多个核函数把多源特征映射至不同高维空间,并且由于此时多源特征样本空间不固定,提出了集成半径信息的多核SVM算法,将半径信息引入多核SVM模型,从而联合间隔来选取核函数权重。通过分析决策环节融合算法,发现其无法解决某一来源数据量较少时最终辨识精度降低的问题,因此采用集成分类器结构来构建各源特征对应的神经网络,并且为使小样本特征集对应神经网络更好地学习和表达其典型特征,先后利用多源特征样本和小样本特征集开展初步训练和二次训练,对初步训练得到的基神经网络进行权重系数修正,促进敏感性神经元动作和抑制不敏感性神经元动作。电能质量扰动辨识对电能质量扰动的分析及抑制措施的选取具有重要意义。以往大多研究是利用单一特征提取手段得到的特征来辨识各种单一电能质量扰动,但是现场往往是多种电能质量扰动同时发生,此时特征空间更为复杂、其边界也更为模糊,并且通过分析各种特征提取手段所得扰动特性曲线的特点,说明混合电能质量扰动辨识有必要引入不同特征提取手段提取的多源特征。接着将本文所提出的三种方法应用于混合电能质量扰动辨识。通过仿真数据的分析,验证了引入多源特征对混合电能质量扰动辨识的有效性以及本文所提出的三种方法应用在基于多源特征模式识别的混合电能质量扰动辨识方面的有效性。电力变压器是电力系统的关键环节,能否尽快发现变压器的各种潜伏性故障保证变压器的正常运行直接关系到电力系统的供电稳定性。电力变压器结构复杂,运行环境存在较多不确定性,其故障征兆与故障发生机理间关系多样、模糊,仅凭单一的信息来进行变压器故障诊断具有较大的局限性,并且通过分析变压器各种特征的特点,进一步说明综合引入油气特征和电气特征的必要性。接着将本文所提出的三种方法应用于变压器故障诊断。通过现场数据应用分析表明,同时引入油气和电气特征有助于提高变压器故障诊断的准确性,以及本文所提出三种方法应用在基于上述特征进行变压器故障诊断具有较高的精度。仿真数据和实例分析都验证了本文所提出三种方法的有效性。通过对基于联合交互-冗余的最大相关最小冗余准则的特征选择结果进行评估,说明该方法能够从众多特征中筛选出关键的特征子集,在较少特征的情况下保证辨识的精度;通过对集成半径信息的多核SVM辨识结果的分析,说明该方法能够有效地组合不同来源的信息,辨识精度高,鲁棒性较好;通过对多样本量通用的集成分类器算法辨识结果的分析,说明其他来源的信息能够为小样本特征集提供补充信息,并提高最终的辨识精度。