电源故障已成为影响区域气象站数据及时性和完整性的主要原因。为降低维护成本并提高故障预测的准确率，提出基于K-最近邻（K-Nearest Neighbor，KNN）算法的电源故障预测模型。利用渭南市2019年11月至2022年5月85个因电源系统故障导致的区域气象站报文缺测记录，提取每例故障发生前10 d回传电压数据标记为“故障”样本，再随机选取该时段内335条无电源异常的连续10 d的逐小时电压数据标记为“正常”样本，共计420条数据作为训练与测试样本。计算每条数据的统计学特征并归一化处理后再优选特征子集，最后训练并评估 KNN 分类器。试验结果表明，所构建的 KNN 模型准确率（Accuracy）为0.95、精确率（Precision）为0.95、召回率（Recall）为0.81、F1-score为0.88、AUC值为 0.90。2022年9月至12月的实际应用结果显示，该模型成功地提前标记了所有故障实例（漏报率为 0），但在连续低温寡照的天气条件下，该模型显示出较高的误报率。该方法对于提高电源故障预判能力具有一定的应用价值，也为后续进一步结合天气要素、站点环境等多源信息建立精细化模型提供了参考。