配变台区作为电网连接用户的基本供电单位,其安全可靠地运行对电网的供电可靠性有着至关重要的影响。随着我国对智能配电网建设要求的不断深化,配变台区的智能化水平也决定了整个配电网的智能化水平。在已有的研究中,学者主要以台区重过载、台区负荷情况等方面对配变台区的运行状态进行态势预测,缺乏针对配变台区低压跳闸故障的预测研究。随着大数据信息技术与人工智能技术在电力行业的逐步应用,其在电网运行、设备状态监测、客户用电信息采集等方面积累了大量具有价值的数据。本文结合这些数据资源以及相关技术,创新地对配变台区低压跳闸故障进行预测建模。本文在总结已有相关研究的基础上,针对配变台区低压跳闸预测问题的特点,提出一种基于随机森林理论的预测模型,主要工作如下:首先,本文从多个数据源中提取整合在配变台区低压跳闸预测建模过程中所需数据,并对所得数据进行初步可视化分析;从所提取的数据集中选取影响配变台区低压跳闸故障的特征变量,并利用皮尔逊相关系数法、核密度估计等方法对所选特征变量进行因素分析,初步得到特征因素与跳闸事件之间的相关性。其次,由于低压跳闸故障具有时序性的特点,本文采用滑动时窗法将原始数据集划分为训练集、测试集以及验证集;针对训练样本集中存在的数据质量问题,采用隔离森林算法对训练集样本数据进行异常值剔除处理;鉴于跳闸故障样本的不平衡性会对预测模型性能造成较大影响,本文提出一种基于SMOTE-NC过抽样与NCL＿Plus欠抽样相结合的混合重抽样方法,对经过异常值处理的训练样本集进行抽样处理,得到样本分布更为合理的新训练样本。然后,将新训练集代入极端随机森林预测模型中进行训练并对测试集进行预测。为了得到更好的模型性能,本文采用贝叶斯优化算法快速寻找预测模型的最优参数。在与其它模型的对比结果中表明,本文所提预测模型具有更好的预测性能。最后,利用本文所提预测模型对验证集进行跳闸概率预测。通过分析不同概率阈值下模型预测结果的差异,建立一种配变台区跳闸风险等级评价方法,可在一定程度上为供电管理人员提供参考。