电网故障诊断是事故处理与分析的重要依据,对提高电网可靠性意义重大。但随着我国新能源装机容量逐步提高与特高压建设加速推进,电网故障特征日益复杂。这就要求调度人员实时监控电网运行薄弱环节,在故障后及时分析海量异常量测数据,准确快速判断故障发生原因并采取措施。因此有必要研究借助智能化技术,帮助调度人员迅速、全面地掌控潮流信息,给出相应的辅助决策。为此,本文以实现电网故障的智能诊断为目标,借助深度学习技术,综合考虑连续时段电网潮流变化差异、以及大电网多agent综合会诊实现等因素,设计了一种基于潮流数据计算机视觉化思想的电网故障诊断方法。为分析故障发生前后潮流在电网中的分布形式,本文使用了可视化方法对比了不同地点发生不同故障时有功无功潮流。在此基础上,提出了从潮流数据到计算机视觉化潮流(Computer-visualized Power Flow,CVPF)的转义方法:通过转义设备功率以及拓扑结构两个步骤,实现了将潮流数值的变化映射为平面图像上像素块轮廓的变化。基于CVPF转义方法,本文将潮流数据源以串联或差分的形式拓展至多时间断面,提出了动态CVPF与差分CVPF两类具体的样本生成方案。之后,为弥补电网实时数据中故障态较少的缺陷,提出了一种考虑功率源波动与拓扑变化的海量CVPF样本集的生成方案。之后,以经典结构为蓝本并考虑近年来图像识别领域研究进展,搭建了适用于CVPF样本诊断任务的卷积神经网络模型。最后通过跟踪神经网络的收敛情况以及对各层输出特征进行可视化降维,验证了使用动态CVPF进行故障诊断的有效性,并通过对比指出了差分CVPF设计中所存在的问题。面向大电网,本文提出了一种基于多agent感知局部CVPF的电网故障综合诊断方法。该方法首先将整个网络拆分成为若干小型的子网络,进而分别转义为局部CVPF,使用其对卷积神经网络分别进行训练,最终形成多agent集群进行综合会诊。首先,通过定义了各级节点、支路,设计了放射状子网络的生成方案。之后,利用支路上潮流的波动幅度作为指标,设计了发生故障后多agent的诊断启动策略。通过算例分析,指出了agent在较小诊断范围设计时所出现的误启动问题,验证了利用多agent集群感知局部CVPF以实现综合会诊的可行性和有效性。在这个过程中,使用精确率指标评价了agent在线跨辖区诊断时所做出的诊断结果。