电力能源的持续供应是现代社会经济飞速发展的基础保障。最新的全球可再生能源报告指出,2016年全球再生能源装机容量高达2017GW。随着分布式可再生能源发电的不断引入与电力系统规模的迅速壮大,电网的结构与运行方式愈加复杂,对系统的稳定运行提出更高挑战。为解决以上问题,运用同步相量测量单元(Phasor Measurement Unit,PMU)对全网各区域信息进行实时采集,为故障分析提供数据来源,研究及时有效的故障非线性诊断方法,实现快速的故障时刻判断与准确的故障位置识别,对于保证电力系统安全稳定运行具有重要的研究价值及实用意义。本文基于PMU提供的数据信息,将核主成分分析(Kernel Principal Component Analysis,KPCA)、海赛局部线性嵌入(Hessian Locally Linear Embedding,HLLE)、Nystr?m近似理论引入电力系统故障诊断中,提出新的非线性诊断方法,有效解决目前已有算法存在的故障元件定位精度不高、计算复杂度过高、信息时变特性难以追踪等问题,同时运用MATLAB软件完成了相应的仿真实验,得到良好的验证效果。主要工作及创新性如下:(1)综述了电力系统故障诊断方法的发展现状,分析了PMU的基本原理及其在电力系统中的应用,研究了目前已有的电力系统故障诊断方法,分析现有算法的局限性,为新算法的理论探索与性能分析提供技术支撑。(2)针对数据驱动类电力系统故障诊断算法多数为线性变换方法,难以有效提取PMU信息的非线性特征,影响相应的故障检测与故障元件定位准确性的问题,将KPCA方法引入电力系统故障定位领域,借助比例因子推导出多项式核函数的偏导数,得到各母线节点对统计量的贡献率,确定故障元件位置并判断故障后整个系统的波动情况,进而提出基于KPCA的电力系统故障元件定位方法。与基于主成分分析(Principal Component Analysis,PCA)的电力系统故障诊断方法相比,所提算法具有更低的误报率与更优的定位效果。(3)KPCA方法需要复杂的非线性映射,增加了算法的计算复杂度。为此,探索HLLE理论在电力系统故障检测中的应用,对PMU提供的海量数据进行有效压缩,运用局部线性回归估计高维空间与低维嵌入空间的映射函数,降低新数据处理时的计算复杂度。以此为基础,提出基于HLLE的电力系统故障检测方法。与基于KPCA的电力系统故障检测方法相比,所提算法在保证检测性能基本不变的基础上,可以大幅度降低相应的检测时间。(4)PMU测量数据具有时变特征,引入移动窗实现KPCA模型与控制限的动态变化,解决算法难以自适应调节而导致新的稳定状态被误判为故障的问题,针对KPCA算法中高维核矩阵构建与特征值分解带来的繁重计算负担,运用Nystr?m近似理论实现核矩阵、特征值和特征向量的近似重构,从而提出基于移动窗Nystr?m核主成分分析(Moving Window Nystr?m KPCA,MWNKPCA)的电力系统故障诊断新方法。较基于移动窗核主成分分析(Moving Window KPCA,MWKPCA)的电力系统故障诊断方法,所提算法在保证检测性能基本不变的基础上,降低约37%的运行时间,并能有效识别故障元件位置。上述研究探索了KPCA方法、HLLE方法、Nystr?m近似方法在电力系统故障诊断领域的应用,为电力系统稳定安全运行、实时监控保护提供技术支撑。