传统化石能源的消耗及带来的严重环境污染问题,使得发展可再生能源,优化能源结构变得尤为重要。微电网凭借运行方式灵活,能源利用率高,环境友好等优点,成为了可再生能源技术研究的热点。但由于微电网拓扑结构多变,分布式能源接入等特性,使其故障诊断问题异常复杂,发生故障时若处理不当,可能导致故障范围扩大,进而影响供电系统的可靠性,带来重大经济损失,研究合适的微电网故障诊断方法具有重要意义。支持向量机在解决小样本、非线性及高维模式识别问题中,具有泛化能力强、分类良好等优势。近年来,随着智能算法和数据分析技术的发展,支持向量机在故障诊断领域有着广阔的应用前景。基于此,本文主要研究基于支持向量机的微电网故障诊断算法,从故障样本处理和故障模型优化两方面对微电网故障诊断问题进行深入研究,具体工作如下:(1)分析了光伏、风机、微型燃气轮机等微源的工作原理和数学模型,在PSCAD平台上搭建了对应的仿真模型,构建了低压交流微电网模型,实现了微电网并网孤岛稳定运行,并对微电网不同类型的线路故障进行仿真。(2)研究了微电网故障特征的提取与优化选择。针对单一故障量作为故障样本诊断信息不足的问题,本文把小波能量熵与改进主元分析法结合,先通过小波能量熵对多个故障量提取故障特征,再采用改进后的主元分析法对原始故障特征进行特征选择,以达到去除样本噪声、增加故障信息的同时减小系统复杂程度的目的,并与单一故障量样本,多故障量未降维样本进行了实验对比分析。(3)建立了基于支持向量机的微电网故障诊断模型。针对支持向量机微电网故障诊断多分类问题上重复训练样本数多、样本分布不均衡的现象,本文提出了一种带故障优先级的支持向量机多分类算法。该方法将微电网故障样本组成、决策树思想与支持向量机结合起来,具有样本重复训练数目少,诊断过程简单直观的特点。(4)针对微电网故障诊断模型准确率低、泛化能力差等问题,本文提出利用多种群遗传算法来优化诊断模型,建立了基于多种群遗传算法的支持向量机故障诊断模型,并进行了实验分析。实验结果表明该方法有效提高了微电网故障诊断模型的训练速度和模型的准确率,有较高的泛化能力,实现了微电网故障智能化诊断。