我国正构建以新能源为主体的新型电力系统。新能源的大规模接入、交直流混联电网的复杂结构、电力电子设备的应用使得电网故障呈现出更加复杂的模态。快速、准确的电网故障诊断是保障电网可靠运行的必要条件。数据驱动的新一代人工智能是新型电力系统的重要支撑技术手段。当前基于数据驱动的电网故障诊断方法在搭建模型时,缺乏对时序关系的表征,且无法表示拓扑关系,难以直接构建深度学习模型,无法完全满足电网对故障诊断的要求。针对以上问题,本文提出了一种面向设备的告警信息时序密度图形化编码方式,有效表示了保护和断路器的时序动作关系,为数据驱动模型的深度学习算法提供统一化的数据表现形式。然后基于残差网络分别构建故障设备类型分类模型和设备状态判定模型,采用先故障设备类型判定后设备状态判定的顺序判定策略确定故障设备和故障类型。经实测和仿真数据验证,所提方法可以满足电网在线故障诊断要求。但是在完全保护拒动故障中,保护拒动的故障设备发出的告警信息较少,且和其他设备的告警信息具有高相似性,难以定位故障设备。针对以上问题,本文引入多模态融合学习模型,提出了一种考虑拓扑的电网故障诊断数据驱动模型。该模型分别采用多层感知机和残差网络提取电网拓扑的数值特征和告警信息时序密度分布图的图像特征,通过特征的拼接,实现了多模态数据的分类模型的构建。经算例验证,该模型在面对完全保护拒动的故障时,具有更好故障定位能力。