随着电力系统的完善,电网输电设备的安全性和稳定性越来越受到学者和大众的关注。电力变压器作为整个电网中的中枢结构,电力变压器的缺陷会给人们的生活带来极大的不便,并且有可能造成重大的经济损失。并且随着泛在电力物联网技术的发展,电力变压器缺陷预测成为智能电网建设的重要问题。通过电力变压器的设备属性、运行环境等特征进行电力变压器的缺陷预测能取得很好的效果,但是电力变压器缺陷预测数据的不平衡性却是一个一直以为被忽视的问题。电力变压器数据中缺陷数据远远少于非缺陷数据,这就导致了监督学习模型会更加关注非缺陷数据,从而使得模型在缺陷数据上的表现较差。而实际中,我们需要更多关注的是电力变压器的缺陷预测。针对这一问题,本文首先分析了电力变压器缺陷预测的研究意义,并简要介绍了电力变压器缺陷预测的研究现状和不平衡数据集处理方法。然后使用五种机器学习方法和八种不平衡数据集处理方法,在处理过的电力变压器缺陷数据集上使用五折交叉方法进行训练和测试。实验结果表明,基于树模型的集成方法随机森林和XGBoost可以很好地对电力变压器缺陷进行预测,在各种指标上的表现远远优于其他模型。并且八种不平衡数据集处理方法能够在多种监督学习模型上提高模型在缺陷数据上的召回率,从而提高模型在缺陷数据上的F1值,其中Adasyn不平衡数据集处理方法能够在保持预测精确度和缺陷数据准确率的前提下,尽可能提高模型在缺陷数据上的召回率。本文通过多维的分析研究证实了不平衡数据处理方法能够一定程度上提高电力变压器缺陷预测的效果,并且可以针对不同的任务需求,使用不同的不平衡数据集处理方法,这对于电力变压器缺陷预测问题提供了新的处理思路。