[发明专利]基于改进决策树的电力通信设备状态的预测方法

说明书

本发明公开了一种基于改进决策树的电力通信设备状态的预测方法，包括以下步骤：(1)收集的电力通信设备的固有数据并将收集的固有数据存入数据库；同时采集所述电力通信设备的实时监测信息；(2)对所述步骤(1)中收集的固有数据进行数据挖掘与分析，构建出多变量数的预测分析决策树，获得所述电力通信设备与监测点的关联参数及相关值和所述电力通信设备的异常特征值；(3)通过所述电力通信设备与监测点的关联参数及相关值和所述电力通信设备的异常特征值结合所述电力通信设备的实时监测信息对所述电力通信设备进行运行状态分析，从而得出所述电力通信设备的故障预测与检修指导。实现了对可能存在的故障隐患进行预测与判断，提供事前检修。

技术领域

本发明涉及电力设备的状态分析技术领域，具体涉及基于改进决策树的电力通信设备状态的预测方法。

背景技术

随着我国智能电网规模的持续扩展，作为承载经营管理和生产调度业务的电力通信网络，其通信设备数量和网络覆盖范围都得到了快速增长，电力通信作为电网综合服务基础支撑的作用愈发凸显。因此，进一步提升电力通信网络的运维水平和保障质量，对于电力通信网以及智能电网的安全运行至关重要；当前，电力通信网络的运维主要还是针对通信设备的实时告警信息进行故障的事后处置，这种被动响应式的运维模式已远远无法满足通信网络在线、智能的创新发展需要，难以有效支撑和促进智能电网的蓬勃发展。为提高通信生产运行维护效率，实现电力通信网络的精益化管理，有必要借助信息化手段，综合历史缺陷与检修、当前性能值与状态值等海量历史和实时数据，利用数据挖掘技术实现基于运行状态的通信设备寿命预测分析，为通信网络提供主动维护技术手段，解决运维人员短缺与网络覆盖范围和设备数量不断扩大的问题。

通过多种数据挖掘技术进行设备运行状态的预测分析已成为网络运维研究的发展趋势。决策树学习算法具有分类速度快、算法实现简单等优点，已成为最广泛的状态预测算法之一。然而在实际应用场景中，经典决策树学习算法存在着诸如内在多值偏向、计算效率低下等不足之处，需要进一步改进决策树学习算法，使其能够更适应电力通信网络的实际应用要求。

经典的决策树学习算法作为数据挖掘分支中最常用的一种经典算法，决策树学习算法通常用于对未知数据进行分类和预测。自20世纪60年代以来，决策树学习在规则提取、数据分类、预测分析等领域有着广泛应用，特别是J.R.Quinlan在引入基于香农的信息论中熵的概念后，提出的ID3(Iterative Dichotomiser 3)算法，因其简洁、高效的决策选择过程使得决策树学习算法在不同新兴应用领域得到了持续应用及巨大发展。

在ID3决策树算法中不需要重复遍历已选的测试属性，而是采用了贪婪算法和深度优先策略自顶向下的搜索遍历所有的测试属性，从而构造出整个决策树。其核心思想是在决策树的各层级节点选择上，以最大信息熵降作为当前节点测试属性的划分标准，即当节点上如果有尚未被划分的、具有最高信息增益的测试属性，则将其作为划分标准。通过不断的搜索遍历，直到获取能够完美分类训练样例的决策树。其主要算法如下：

设样本数据集合S，其可划分为不同类别C_i(i＝1，2，...，n)，其中s_i为类别C_i的样本数量，则集合S划分为n个类别对应的信息熵为：

式(1)中，p_i表示集合S中属于第i类别C_i的概率，即

假定测试属性A中所有互斥值的集合为X_A，S_v为样本数据集合S中由测试属性A为v的样本子集，即S_v＝{s∈S|A_s＝v}，在选择测试属性A后的每一个分枝节点上，对该节点的样本集S_v分类的熵为H(S_v)。选择测试属性A导致的信息熵定义为每个子集S_v熵的加权平均值，权值为属于S_v的样本占原始样本S的比例由于已知测试属性A而得到的信息熵为：