随着电力系统的飞速发展,电力设备积累了大量的统计数据,部分电力设备每时每刻都在采集并记录着与电网运行状态相关的数据,这些统计数据为电力设备进入智能化管理积累了宝贵资源。与此同时,近年来计算机技术在人工智能方面取得飞速发展,机器学习技术的应用更是这一发展的重要动力。将机器学习技术运用到电力数据上,将为电力设备的智能化进展提供强有力的推动。本文正是研究如何利用机器学习技术对电力设备异常状况进行预测。前人的许多工作已经在异常检测方面做出了重要贡献,但是关于异常预测,尤其是电力设备异常预测方面的研究工作尚未成熟。本文就这一方面进行了讨论,采用线路端点作为切入口,探索了如何进行线路状态异常的预测问题。本文的主要研究内容如下:首先,本文根据与线路端点数据相关的电力学知识提取相应的特征属性,然后进行是否异常的状态标注。与数据挖掘领域中的“异常”不同,本文中的“异常”不是按照数据分布进行判断,而是根据电力规范进行标注。利用电力规范进行异常标注与电力业务更加相关,更加方便实际使用。其次,本文根据电力数据的特点,利用机器学习算法,建立了一套线路状态异常预警模型。分别采用聚类和分类算法进行建模,为提高模型预测准确率、降低计算开销,进行了样本抽样、特征选择、模型融合等工作。最后,根据所建立的异常预警模型设计了一套异常预警系统。根据电力数据每分钟进行一轮数据采集的情况,异常预警模型在每分钟的数据采集完成后进行预测工作。为了排除数据漂移的所带来的影响,系统可定时更新或按照数据漂移情况进行动态更新。