日常调度业务繁重复杂,而信息报送要求及时准确,前期为完成停电信息报表报送工作,往往需要安排专人用一到两个小时的时间才能完成当日数据搜集汇总上报工作,极大的影响了日常工作。目前,调度自动化手段日益丰富,但停电信息报表大多仍依靠人工报送,不利于省级调度实时掌握全省范围内停电数据,且由于调度人员业务不熟练,常规工作压力大等原因,经常会出现错报、漏报问题,不满足调度报表对信息准确性的要求。调研全省各地县信息报送准确率发现停电信息报表报送四个环节中信息搜集环节出错率较高,汇总可能原因后找出“缺乏信息自动采集上报模块”“信息上报模式单一”为当前停电信息报表报送准确率低的主要原因。为解决这些问题,除了在信息报送流程部分加强管理,也需要在信息报送方法上提高效率。随着机器学习应用领域的不断拓展,前期难以通过穷举法完成的工作,可以利用机器学习相关算法解决,机器学习中的决策树算法对于数据分类等工作有较好的应用效果,在对决策树算法的研究中发现,近些年C4.5算法以其应用场景广,分类效果好等特征,在对离散型数据及连续型数据的处理方面获得了越来越多的认可,而对于停电信息分类工作,存在大量的关联数据,通过C4.5算法可以完成海量数据的自由匹配分类,在决策树构建完成后,通过剪枝算法剔除其中弱相关与无效分支,确保决策树整体构架简洁明了,停电信息分类结果具备更强的普适性。同时,为验证决策树算法构建的停电信息分类模型是否满足需求,还需要以相关评价指标对其分类效果进行评判,满足使用要求后方可纳入停电信息统计报送业务。本文主要创新点如下:1、第一次全面系统分析了省公司层面停电信息上报整体流程,利用统计学相关知识对各环节拆解并逐一分析,梳理各阶段停电信息上报用时,对用时较长环节有针对性的提出解决方案。2、构建一种基于决策树算法学习模型。将影响停电数据的变量进行规约与泛化处理,建立分类规则,第一次将决策树算法应用于停电信息基础数据分类环节,为构建停电信息统计分析系统提供重要数据支撑。3、结合现有OMS相关功能模块,实现停电信息分时上报机制,大大提升了地县级调度报表上报准确率,整个过程人工参与度低,降低了值班人员工作压力。4、首次提出并研发了基于EMS系统的停电信息提取与展示,实现了信息自动采集、类型自动判断、无效信息自动过滤、损失负荷自动统计的全自动闭环管理,有助于调控人员及时洞察负荷异常降低情况。