电力是人们生活、生产活动的基本能源之一，随着社会经济的发展，对电力的需求也与日俱增，负责将电力输送到千家万户的配电网变得越来越庞大且复杂。在此过程中，配电网中发生的故障和异常也变得更加频繁、多样。通过智能电网的建设，配电网中的各种传感器可以对配电网中的电流、电压等多种电气指标进行持续监测，配电网在输送电力资源的同时，也变成了一张巨大的信息网。如何利用自动化的数据分析，帮助电网实现更加高效的运维成为重要议题和重要研究方向。
　　本文利用配电网产生的多种故障相关数据，分析配电网中最常见的三种故障和异常，包括电流三相不平衡、超重载、电压异常。一方面，分析结果可帮助电网运维人员对故障原因、故障严重程度进行预判，更加高效的安排检修计划。另一方面，配电网若发生严重故障，会带来巨大的经济损失，事后抢修只是亡羊补牢，基于大数据的自动化故障和异常分析，可以及时发现部分异常线路，对严重故障的发生做出预警。论文主要涵盖以下三部分内容：
　　（1）原始数据中包含电流、电压、功率、负载等多种时间序列数据，因数据维数过大而无法直接作为聚类算法的输入，本文根据不同类型的故障和异常的分类需求，进行特征提取，设计了一系列特征参数，然后使用自组织竞争神经网络对配电网异常数据进行聚类分析，将故障和异常划分为更细致的类别，并对聚类结果做出了合乎实际情况的解释。
　　（2）为帮助电力公司确定维护和维修工作的优先级，需要对配电网中发生的故障和异常进行严重程度排序。本文将学习排序算法用于配电网故障分析，针对配电网数据进行改进，结合神经网络和RankNet算法，实现从标注样本对数据集学习得到评分函数，对故障样本进行准确的排序，以帮助运维部门合理安排检修顺序。
　　（3）为提高供电公司的服务水平，本文依据供电公司提供的大量用户服务满意度反馈数据，基于贝叶斯模型改进决策树算法，分析影响服务质量的因素。建立了满意度评价决策树，并对决策树进行剪枝，减少过拟合，同时利用交叉验证判断决策树的分类精度。计算得到各因素的信息增益率，为供电企业提高服务质量提供新的思路。