在实际生活中,许多领域都存在数据不平衡问题,而机器学习算法设计大多是基于均衡的数据,在处理不平衡问题时容易将少数类误分为多数类。数据不平衡问题使得机器学习算法在落地应用时与理论存在一定的差距,是机器学习进行实际应用时需要解决的一大重要问题,学者们针对此问题做了许多研究,并取得了不少研究成果,但还存在一些问题,如类内不平衡、过度拟合少数类等。针对上述问题,本文进行了理论及应用研究,并将所提方法应用在配电网故障停电预测任务中。配电网在日常生活及社会发展中占据重要位置,其信息管理系统已累积了大量的数据,有效利用这些数据实现配电网馈线故障停电预警,从而提前进行运维检修,对提高配电网供电可靠性,保障用户的用电质量有着重要意义。本文具体研究工作如下:在数据预处理层面,大多数文献都未涉及类内不平衡问题的研究,将其统一归类为类间不平衡问题,忽略了类内不平衡对模型性能的影响。因此本文提出了基于聚类的生成对抗神经网络（K-Means-GAN）数据生成方法,平衡少数类样本分布的同时,在一定程度上也降低了数据集整体的不平衡度。在算法层面,学者们常将代价敏感结合其它算法用于不平衡数据分类。代价敏感算法以分类错误总代价为全局优化目标,通过加大少数类的误分类代价提高少数类的召回率,却忽略了少数类的精确率,使得模型过度拟合少数类,将大量多数类样本误分为少数类,造成大量误报。因此本文提出了基于随机代价敏感的卷积神经网络（Random Cost-CNN）分类算法,结合代价敏感思想并引入随机理论,缓解模型过度拟合少数类的问题,提高了模型的泛化性。最后,应用本文所提方法进行应用研究。基于实际生产环境中的配电网故障停电及其相关数据,建立配电网10k V馈线故障停电预警模型,可为电网人员提供辅助决策支撑,及时进行运维检修,提高供电可靠性,对促进国民经济稳定发展、保障用户的用电质量及提升全社会满意度有着重要意义。另外,本文从数据驱动的角度入手,开展配电网数据前期的探索研究,为未来高效合理利用电网数据,进一步挖掘数据价值打下坚实的基础。