台风容易导致配电网杆塔发生倒杆,断杆,高压跳闸等故障,危害配电网的正常运行,严重的会造成大范围的停电事故。在台风灾害过程中,在故障发生前对其进行预测,可以为抢修物资、人员的安排和故障后的事故检修提供参考,减少故障损失。现有的台风引发电网故障的预测方法主要有基于台风风圈范围动态监测的故障预测和基于台风致灾机理模型的线路故障概率评估。但由于台风风圈监测的精度较低,难以给出配电网线路的故障预测;致灾机理模型同样需要较为精确的局部数据采集,且灾害的致灾机理较为复杂甚至存在未知机理,同样难以适用于配电网杆塔故障预测。考虑到配电网运行时台风监视系统中积累了大量的历史监测数据未得到充分利用,并且电网设备的台风预警属于二分类问题,适合利用数据挖掘方法进行故障率建模。因此本文将历史台风信息与电网故障信息结合,建立了基于数据挖掘方法的电网台风故障预警模型。本文的主要研究内容有以下几点:第一,分析杆塔故障机理模型,从中确定影响杆塔故障的主要因素,然后提取台风监视系统中存储的大量台风信息以及气象站、杆塔经纬度信息进行预处理,根据电网历年的灾损数据生成本文模型所需要的原始样本,基于偏互信息法对原始样本进行特征量筛选,筛选出最优影响因素,形成模型所需的样本集。第二,针对电网台风灾害样本存在的类别数据不平衡问题,分析现有分别基于数据层面和算法层面的不平衡数据处理方式,并基于单边选择算法及Borderline-SMOTE混合采样方法生成平衡数据集。第三,建立了基于混合采样样本及人工神经网络的台风预警模型。首先采用反向传播算法训练BP神经网络调整各层权值建立BP神经网络的台风预警模型;之后建立基于广义回归神经网络的台风故障预警模型,采用平均绝对误差寻找广义回归神经网络的最优平滑因子参数,最后利用混合采样样本比较两者在同一数据集上的预测效果。第四,进一步提出了基于代价敏感学习及随机森林算法的台风预警模型。首先通过实例样本分布确定代价函数,其次利用误分类代价下降值代替传统的决策树分裂算法生成决策树,接着利用各决策树的袋外数据判断决策树的分类性能,最后通过权值投票的方式决定模型是否发出故障预警。算例仿真验证了该模型相比人工神经网络,在实例故障样本上有着较高的预测准确率,能为沿海地区电网防台风提供一定的参考。