在电力系统中,电容型设备数量众多,占变电站设备总量的40%~50%,电容型设备的健康运行对于电力系统至关重要。随着电网信息化建设的大力推进,各种电力数据呈爆炸式增长,这为电容型设备健康运行提供了强大的数据支撑。传统的统计方法已无法满足实际的分析需求。本论文以重要性高、数据量大、数据种类丰富的电容型设备数据为数据源,并检验随机森林(Random Forest,RF)、多层感知机(Multi-Layer Perceptron,MLP)、支持向量机(Support Vector Machine,SVM)、集成树(Extreme Gradient Boosting,XGBoost)和线性分类算法等五种不同机器学习算法在电容型设备缺陷预测中的适用性,构建缺陷发生预测和缺陷等级预测模型,并将金融领域的评分卡模型应用在电容型数据分析中,探索出最优缺陷预测模型。本论文的研究内容与研究结果如下:(1)针对一般的编码方法,在各种缺陷发生预测以及缺陷等级预测模型中的效果较差,在对电容型设备数据进行清洗和数据均衡化基础上,结合电容型数据的特点,加入基于评分卡模型的证据权重(Weight of Evidence,WOE)特征编码,用于改进缺陷发生预测以及缺陷发生模型的性能。(2)针对设备是否发生缺陷进行预测,将五种机器学习算法应用在缺陷发生预测中,进行模型训练和参数调优,对各算法使用普通编码和评分卡模型WOE特征编码的预测结果进行比较,并分析特征重要性。实验结果表明,加入评分卡模型的WOE特征编码后,各算法的分类效果均得到改善,支持向量机、集成树和线性分类的精度提高0.07以上,多层感知机和随机森林分别提高0.02和0.03。随机森林各综合评价指标均最优,精度达到0.95。因此,基于WOE的随机森林算法(WOE_RF)缺陷发生预测模型最优。(3)在预测设备是否发生缺陷的基础上,进一步预测设备可能发生缺陷的等级。同样使用上述五种机器学习算法对两种特征编码方法下的缺陷等级预测结果进行比较,并分析特征重要性。研究结果表明,加入基于评分卡模型的WOE特征编码,可以有效改善各算法的分类能力,随机森林、多层感知机和支持向量机精度提高0.05以上,集成树和线性分类分别提高0.01和0.02。但同样是随机森林表现最佳,精度达到0.78。因此,WOE_RF缺陷等级预测模型最优。