在“双碳”目标为牵引的能源革命大背景下,新型电力系统中的配电网是实现规模化新能源消纳、“源网荷储”友好互动等的关键,而配电网的安全可靠运行是保证能源系统发展的关键。其中,配电网小电流单相接地故障以及经弱导电性复杂介质接地的弧光高阻故障,统称为配电网弱特征故障,因其故障特征微弱难以达到保护动作阈值、带电运行易引发电力安全事件或事故,成为了影响配电网安全运行的核心问题。随着量测设备与电力物联网技术的发展,数据驱动的配电网弱特征故障诊断方法因其泛化能力强、无需设定阈值等优势成为了重要研究方向之一,但可用历史故障数据少、不同拓扑中拓展困难、模型应用缺乏适应性优化成为了限制该类方法应用于实际的关键瓶颈。本文从数据学习与物理知识融合的角度出发,重点研究基于人工智能的弱特征故障诊断实用性方法,论文的主要工作有:（1）根据初始故障阻抗大小与故障电流非线性程度将弱特征故障划分为小电流故障、弱弧光高阻故障与强弧光高阻故障,并依据暂稳态特征的适用性建立了全场景的弱特征故障诊断框架,为本文方法提供了理论依据;同时基于不同场景特征间存在潜在共性与个性知识的特点,形成了融合多配电网解决小样本问题的可行思路,提出了一种用于配电网弱特征故障诊断的边云协同架构。（2）针对小电流故障和弱弧光高阻故障提出了一种基于多配电网信息融合与迁移学习的弱特征故障检测方法。通过离散小波变换与主成分分析的结合,提出了尺度统一的全局暂态特征矩阵提取方法,并利用多配电网融合训练得到基于卷积神经网络的云基准模型;在具体配电网中,通过迁移学习将云模型迁移至对应边端,并提出了基于局部敏感哈希的数据扩增方法以提升迁移性能。经仿真模型与现场实际数据验证,所提方法能在单一配电网小样本数据场景下实现小电流故障与弱弧光高阻故障的可靠检测,且具备良好的拓扑泛化能力。（3）针对小电流故障和弱弧光高阻故障,提出了一种基于改进多视角谱聚类的弱特征故障区段定位方法。利用暂态零序电流波形与小波变换重构特征形成多重特征视角,依靠故障路径与非故障路径上的暂态特征差异,通过多视角谱聚类实现了无需数据训练和阈值设定的区段定位;利用故障路径节点之间的拓扑关联关系,改进了多视角谱聚类迭代过程中的边权重矩阵,引导多视角下具有潜在正确性的特征成为主导特征,提升了聚类算法在弱特征故障定位场景下的适用性。经仿真模型与现场实际数据验证,所提区段定位方法具有良好的定位准确度和可靠性。（4）针对强弧光高阻故障提出了一种基于嵌套式注意力机制的弧光高阻故障检测方法。在波形畸变位置先验信息与长短时记忆网络生成的多维时序数据基础上,提出了一种结合先验信息与数据学习的嵌套式注意力机制,提升了模型对高阻特征的敏感程度;在此基础上,利用并联式自编码器实现了对波形畸变特征的鲁棒性重构,结合重构特征值的判别实现了弧光高阻故障的检测。经现场实际数据验证,所提方法能在小样本数据情况下实现灵敏有效的弧光高阻故障检测。（5）针对强弧光高阻故障提出了一种基于特征增强和目标检测的弧光高阻故障区段定位方法。通过配电网拓扑与同步谐波特征的结合,提出了包含故障特征及位置信息的全局灰度特征提取方法;在此基础上,提出了一种局部兴奋-全局抑制注意力机制,利用全局特征比对实现自适应的特征增强;最终通过YOLO v2目标检测网络与拓扑区域图的结合实现了弧光高阻故障的区段定位。经仿真模型与现场实际数据验证,所提区段定位方法定位准确度高,且具有良好的可靠性。本文以边云协同架构为基础,对不同应用场景、数据水平、诊断要求下基于数据驱动的配电网弱特征故障诊断方法进行了研究,形成了一套实用性高、泛化能力强、全场景覆盖的弱特征故障诊断体系,通过人工智能技术的灵活应用和针对性改进有效提升了弱特征故障诊断的准确性和可靠性,并以数据-知识融合为切入点,探索了小样本场景应用、特征尺度统一、模型迁移部署、数据利用效率提升以及模型适应性优化等问题的解决方案,切实增强了数据驱动弱特征故障诊断方法的实用性和可行性。