随着全球能源互联网的提出,各级电网之间的互联性增强,尤其是间歇式新能源和微电网的接入,电网自身的动态行为日趋复杂,发生拒动等复杂故障的可能性仍旧存在,准确、快速的实现电网故障诊断成为更为紧迫的现实要求。本文以诊断电网复杂故障为目的,针对现有专家系统缺乏学习能力的不足,利用支持向量机(SVM)模型基于历史故障经验对复杂故障进行诊断,其主要工作如下:研究统计学习理论的内在特点,深入理解VC维和结构风险最小化原则,阐述支持向量机模型的数学原理,在Visual studio 2010平台使用C++语言分别编写线性和非线性支持向量机模型的实现算法,为支持向量机在电网故障诊断的应用打下理论基础。根据电网故障诊断的需求与特点,提出基于支持向量机的方法对复杂故障进行诊断。通过对历史故障案例的训练学习,获取这些复杂故障案例中的“隐性”诊断知识,利用这些经验规律对现有故障进行诊断,并不断用新的故障事件对SVM模型进行再训练。为使建立的支持向量机模型具有广泛的通用性,以数据采集与监视控制系统(SCADA)系统采集的保护动作和断路器跳闸信息为基础,针对母线、线路和变压器等三类元件分别设置其支持向量机模型的输入特征量,并利用遗传算法对惩罚因子和径向基核函数参数进行寻优。在课题组已开发的电网故障诊断系统的基础上,增设利用SVM算法的复杂故障诊断模块,并对该模块五个组成部分的功能设计进行了逐一论述,提高了电网故障诊断系统针对复杂故障的诊断效率,最后通过三种典型的复杂故障案例测试验证了模块实用性与有效性。