电力物联网是电力系统在信息物理融合的基础上,新融入了不确定的社会因素,形成了电力信息物理社会融合系统,它是国家电网公司建成具有中国特色国际领先的能源互联网企业的重要战略支撑。然而,信息-物理-社会的融合将导致电力物联网运行环境复杂多样,使其在各个环节都容易受到外界风险的干扰,任何层面的扰动都可能影响电力物联网的安全运行。为了能及时预测出电力物联网面临的各类安全风险,以便找出薄弱环节加以改进,本文从数据挖掘的角度出发,综合考虑信息、物理、社会侧运行数据,通过数据的融合与平衡化处理、特征选择及风险预测模型的构建,提出了一种基于集成学习的电力物联网运行风险预测方法,主要研究内容如下:（1）在研究电力物联网运行风险预测时,需综合考虑信息、物理和社会侧的运行数据来构建预测模型,而实际运行数据中风险样本相对较少,导致后续模型在训练数据时会因学习不足而使模型的预测精度偏低。针对上述问题,本文首先对影响电力物联网运行的风险数据进行了定义,然后通过仿真实验获取了数据集,并基于随机矩阵理论以时间序列为基准对来自信息、物理、社会侧的风险数据进行融合,得到了多维风险数据集;然后,基于ADASYN方法对融合后训练集中的少数类样本进行过采样处理,使各类样本数量趋于平衡。实验结果表明,经数据平衡化处理后,少数类样本风险类别的预测精度明显提高。（2）数据不平衡处理后的风险样本集仍呈现数据量大,数据维数高的特点,在众多特征中可能存在一些冗余和无关的特征,这会增大后续学习模型的时间开销,影响模型的性能。针对上述问题,本文基于Relief F-S算法对电力物联网运行风险平衡样本集进行最优特征选择,在评估样本冗余度时,联合考虑特征对分类的贡献值和特征相互之间的相关度,以便更好地剔除冗余数据。实验结果表明,该方法能有效降低数据维度,缩短模型的训练和预测时间,提高模型的整体效率。（3）由于风险具有随机性强、不易被发现、形成原因复杂等特点,仅靠常规的人工排查、概率统计和电气机理分析难以快速排查风险,随着实时获取数据能力的不断成熟,可通过机器学习方法挖掘数据信息来快速、准确地排查风险。因此,本文引入贝叶斯优化算法对Cat Boost关键参数进行寻优,构建了基于BO-Cat Boost的电力物联网运行风险预测模型,并结合数据平衡化处理和特征选择方法,最终给出了一套完整的风险预测方案。实验结果表明,该风险预测方案可有效解决风险预测精度低、速度慢等问题,具有较强的适用性。