Los sistemas de distribución de energía suelen enfrentar diversos eventos que causan fallos. Por lo tanto, un diagnóstico de fallos rápido y preciso es crucial para mantener la estabilidad y seguridad del sistema. Este estudio presenta un método innovador basado en un módulo de atención de bloque residual-bloque convolucional-red neuronal convolucional (ResBlock-CBAM-CNN) para el diagnóstico de causas de fallos. Para mejorar aún más la precisión del diagnóstico, el enfoque propuesto incorpora un modelo de fusión de datos multimodal. Este modelo combina mediciones en el sitio, datos procesados e información ambiental externa para extraer detalles relevantes relacionados con los fallos. Los resultados empíricos muestran que el método ResBlock-CBAM-CNN, con fusión de datos, supera significativamente a las técnicas existentes en precisión de identificación de fallos. Además, la visualización t-SNE de los datos de fallos valida la efectividad de este enfoque. A diferencia de los estudios que se basan en conjuntos de datos simulados, esta investigación utiliza mediciones del mundo real, destacando la aplicabilidad práctica y el valor del modelo propuesto para el diagnóstico de causas de fallos en sistemas de distribución de energía.