随着特高压电网与智能变电站的大力推广,电网规模日益扩大,电力系统自动化程度不断提高,电网中输变电设备的运行与维护越来越复杂,提高设备的健康水平和使用寿命,对于保证电网安全、改善电能质量、提高供电可靠性都具有重要的作用。国家电网公司为提升电网设备管理水平,利用当代科技手段和方法,对设备运行状况进行实时监测、分析,对设备未来的运行状态进行预测,由此也产生了海量实时数据流。这些数据流中隐含着与设备故障有关的重要信息,论文针对数据流处理的关键技术以及在电网设备风险识别与预警中应用展开研究,选题具有重要实际应用价值。本文针对滑动窗口数据的数据流概要模型生成方法进行了基本的研究,主要从数据流数据抽样、显著性异常特征分析两方面着手。通过使用滑动窗口模型实现了对数据流数据均匀抽取,同时根据设备监测数据对区间异常与波动异常的关注,引入了比率阂值的方法对波动异常特征进行提取,论文提出的概要模型生成算法除保证了数据均等性,还在内存占用方面具备稳定性优势,既提高重要数据的关注度,又提升了算法稳定性。针对多数据流融合问题,本文借助数据流挖掘算法实现了对电网设备风险识别,提出了针对电网设备状态检测数据双层处理的理念,通过在线微聚类实现对多设备混合数据流的快速聚类,然后提取微聚类质心进行离线层分类。在离线分类时,使用传统算法的优势对数据进行多次扫描,取得了更准确的结果。同时本文考虑到多设备数据流数据的重要性,在在线微聚类时不采用微聚类删除的方式,保证所有数据得到有效的应用,此算法在未来海量设备在线监测系统中可以较为有效的快速识别出设备风险,具有较高的应用价值。本文在设备状态时时监测的基础上,提出了设备风险状态预警的方法,通过分析设备的历史运行数据来预测设备在未来一段时间内容运行状态的变化趋势,从而合理的采取相应的预防性方式来改善设备运行状态。本文利用代谢递补的灰度预警模型来对设备运行数据进行预测,并根据预测值分析其未来一段时间内可能的风险。算法通过时时引入数据流中最新数据,提高了数据精度,若将其嵌入到在线监测平台中,可实现对设备风险状态的时时预警。