近年来输电线路鸟害事故的频繁发生引起了国家电网公司的高度关注,因此每年都投入大量的人力物力进行鸟害防治,但效果却不尽如人意。许多的专家学者也针对鸟害问题进行了大量的研究,研究方向主要包括两种,一种是进行防鸟装置的设计改进,另一种是结合多种鸟害影响因素对鸟害风险进行预测。对于鸟害风险的预测,大多数论文都是利用综合评价法、熵权法或层次分析法构建鸟害预测模型,但这些预测方法都存在主观性较强,现实指导意义不大的问题,并且这些论文均会对所有特征值设置相应的权重,但针对于权重赋值的大小目前尚没有统一完善的标准体系,因此差异性较大。此外,针对于鸟害数据的统计也趋于理想化。因为电网公司可能缺少对于鸟害的详细记录,例如某些供电局对于鸟害数据的收集是仅对鸟害造成的跳闸事故有详细的记录,而对于未造成线路事故的情况仅记录为发生过鸟害,并未注明是鸟粪掉落、大型鸟飞过或是在杆塔上筑巢等鸟类活动。另外鸟类造成的线路事故仅发生一次便会引起高度重视,因此同一座杆塔上发生事故次数大多为一次,那么针对这种情况,既没有记录该次鸟害所造成的危险程度,次数也均为一次的数据,便无法确定其相对应的风险等级。因此对于此类无标签数据,本文采用聚类分析算法构建鸟害风险预警模型,主要思想是利用数据本身相互间存在的关系进行鸟害风险等级划分,减少人为主观因素的影响,并降低模型对原始数据的要求。本文的主要内容是通过机器学习算法研究出一套输电线路鸟害风险预警模型,利用Vue前端架构设计出一种鸟害分布图软件,让供电运维工作的管理人员更为清晰地看到鸟害风险分布状况,从而有针对性地采取相应防控举措,以提升防鸟效率,并更好的维护输电线路的稳定运营。本文所做的研究如下:（1）针对收集到的广东某供电局2016-2020年的历史鸟害故障数据,并结合相关调研资料对数据加以补充梳理,分析鸟害发生的原因与电压等级、杆塔类型和周边环境之间的联系,并以电压等级、杆塔类型和周边环境信息构建原始数据集。（2）针对当前在进行鸟害风险预警模型构建的过程中受到人为因素影响较大的问题,本文选用机器学习算法中的K-Means聚类、DBSCAN聚类和谱聚类进行模型构建,并利用肘部法则和轮廓系数法对传统K-Means均值聚类算法中最佳聚类数难以确定的问题进行了改进,运用主成分分析法对数据进行降维,结果表明降维后的数据聚类效果更佳。（3）利用SSE指数和CHI指数对改进K-Means聚类算法、DBSCAN聚类算法和谱聚类算法构建的风险预警模型进行对比,结果显示改进K-Means聚类算法构建的模型聚类效果更好。（4）针对当前鸟害防治效率低的问题,本文利用构建好的鸟害风险预警模型对输电线路进行鸟害风险等级预测,并基于Vue前端框架设计开发出一套鸟害分布图软件对风险预测结果进行展示,使电网运维人员可以更直观看到各级鸟害分布情况,有针对性地采取防鸟措施进行鸟害防治,提高工作效率。