随着电网线路故障多样性、多重性、不确定性等因素的不断积累,区域性大面积停电事故时有发生,能否挖掘出潜在的线路隐患并制定相关应对措施,对政府部门和电力企业的决策分析起着关键性的指导作用。鉴于传统的关联规则挖掘方法普遍表示形式单一、多维度展现不足、效率不高等缺点存在,如何用科学的、有效的方法来解决当下电网方面存在的一系列问题及隐患,以及为电力人员提供更好地去发现问题、解决问题的有力工具,这些正成为了当今社会的迫切需求。本文以前人学者研究为理论依据,针对传统电网在自然灾害风险预警系统中存在的缺陷:故障原因考虑不周全、系统生成的规则缺乏多样性、参数与阈值的设置不完善、算法效能以及准确度不高等,在深入研究故障多维属性模型的构建及追求一种更简便、高效、直观、精确的电网故障识别方法基础上,对数据挖掘技术中的多维度关联规则技术以及电力系统脆弱性展开了研究,具体工作如下:1.介绍了关联规则的基本要素,并结合具体的算法实现对Apriori算法和FP-Growth算法进行了分析,指出了算法的优势与不足以及可以进行优化改进的地方。2.基于经典关联规则分类决策算法,给出了一种基于最优频繁项集的FP-Growth多维关联分析方法,该方法通过对单维度属性、维与维间属性、多维度间属性的关联分析来获取最大、最优的频繁项集并最终生成有效的关联规则。3.将基于OFI(The Optimal Frequent Items)的FP-Growth挖掘方法成功运用到电网线路脆弱性识别研究中,通过挖掘电网线路与内外界因素之间的关联规则,来为电力系统故障预测和预警提供可靠的决策依据。4.通过实例分析,对本课题所提出方法的可行性与有效性进行了验证。结果表明,该方法对于电网线路风险灾害预测、预警具有一定的实用性。该方法不仅能够较好地分类处理多维频繁集,而且产生置信度较高的预警规则,有效避免了常规方法在规则生成的时候产生高的信息冗余度,并在最大程度上保证关联规则的精确性与客观性。