随着经济社会的不断发展,我国在电力供应方面的需求量迅速上升,对电网的智能化水平提出了很高要求。变电站作为输变电体系中的重要组成部分,其核心设备的状态判别和故障事件的及时发现、决策与处理是保障电力系统正常稳定运行所需解决的关键问题。变电站设备运行状态复杂,故障类型和原因多样,出现设备故障时,通常波及众多相关装置和设备,但由于监控系统能够捕获的故障信息不完整、故障数据之间相关性弱,仅通过运维人员来发现问题和进行补救已经无法满足当前智能电网的需要。本文针对智能电网设备故障诊断中的数据源与设备故障特征复杂多样、故障数据之间相关性差的问题进行了较为深入的研究,主要研究内容暨创新点如下:（1）针对变电站设备数据源与设备状态特征复杂、数据维度过高的问题,提出一种基于优化参数SVM的故障诊断模型。该模型首先通过PCA分析主要影响因素,提取关键故障特征,实现设备故障信息的预处理及数据降维;随后结合变电站的运行模式,给出一种基于分层二叉树的故障分类方法,并通过帝国竞争算法进行参数寻优;最后,利用优化后的参数构建MC-HBT分类器。实验结果表明了该模型能够有效实现智能变电站设备的小样本、多类别故障识别,并显著降低计算复杂程度。（2）针对变电站复杂环境下数据采集不完整、故障特征的相关性差等问题,提出一种基于改进CBR的故障处理模型。该模型首先根据故障类型的分类存储方式建立了故障案例库;随后利用贝叶斯概率和可能性理论进行案例搜索,并通过相关分析法对不同的特征赋予不同的权值,对赋值后的故障案例进行匹配;最后根据历史案例的更新与新增案例的原则对案例库进行更新。案例分析结果表明,该模型可以有效地解决变电站故障特征相关性差的问题,提高故障诊断的可用性,同时案例库的自学习功能也为后续工作提供了有力的参考依据。