吴海洋 缪巍巍 郭 波 丁士长

（国网江苏省电力公司信息通信分公司 南京 210024）

1 引言

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［1～2］。

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［3～6］。……