基于決策樹算法的采集故障研判體系

陳銘遠

（國網泉州供電公司，福建 泉州 362000）

0 引 言

近年來，電網智能化建設取得長足發(fā)展，自動化控制設備占據(jù)供電設備的主要部分。自動化設備有專業(yè)性強和易出故障的特點，導致電網運維任務增多。如何快速提高電網運維效率，成了電網運維建設第一要務。

截止2022 年9 月，國網泉州供電公司用電信息采集系統(tǒng)建設已累計接入智能電能表4 281 730 只，擁有采集終端85 182 臺。目前隨著智能電力系統(tǒng)的建設和優(yōu)質服務的要求提高，對現(xiàn)場工作和系統(tǒng)操作的時限也有了相應的要求，工作人員對系統(tǒng)熟悉程度和故障研判準確度、研判時間成為亟待解決的難題。

從技術、工藝、技能、方法等方面進行分析，現(xiàn)有運行維護存在著無法滿足需求的情況主要是用電信息采集系統(tǒng)內嵌的異常工單難以完全覆蓋采集運維的需求，尤其是對些設備停電或設備通信信號不穩(wěn)定造成數(shù)據(jù)采集不完整等無須派單運維的現(xiàn)象，還需要人工進行再次分析篩選，但還是無法完全避免無效工單的派發(fā)，進而造成工單處理總時間的延長。

現(xiàn)場人工運維模式存在以下幾個缺陷：（1）人工分析診斷速度慢且無效工單較多；（2）運維人員現(xiàn)場故障點和故障類型查找時間過長等情況，致使需要緊急處理的故障未在最短時間內修復，導致電力企業(yè)與客戶產生計量糾紛和經濟損失。因此提出優(yōu)化現(xiàn)有的采集運維故障研判體系，從而讓整體的運維質量和效率得到提高。

采用運維派工單的方式無形中增加了額外的處理時間。消耗在整理派工單以及分揀派工單，最后將派工單流轉到下一個環(huán)節(jié)的時間可能占據(jù)一個采集運維工初步研判的20%左右，如何優(yōu)化這一過程將成為提高整體運維效率的關鍵。

1 項目介紹

基于決策樹算法的采集故障研判體系主要由數(shù)據(jù)獲取、數(shù)據(jù)清洗、決策樹算法實現(xiàn)以及最終分揀與派發(fā)工單等模塊組成[1]。

（1）本文將通過決策樹對日常研判的單個故障工單進行評價，以進一步剔除無效工單，提高運維效率。該方法需收集大量數(shù)據(jù)作為訓練集，對日常工單的各類標簽進行分類，得出各個標簽的特征值。

（2）將收集到的數(shù)據(jù)制成訓練集，實現(xiàn)決策樹算法。經過訓練后再隨機選取若干測試集驗證該方法是否可行，準確率是否達標。

（3）本文通過借鑒其他專業(yè)的做法，引入機器人流程自動化（Robotic Process Automation，RPA）技術，改進了日常派工模式。讓采集運維人員能夠“一鍵式”完成原先煩瑣的操作，且進一步縮短了主站側的派單時間[2]。

2 項目結構

2.1 數(shù)據(jù)獲取

本文獲取的數(shù)據(jù)是由用電信息采集系統(tǒng)提供的各類基礎檔案、電壓電流曲線值、終端事件、各類已有的管控報表等。通過專家的工作經驗將無效字段初步剔除后，初步得到以下的特征標簽，如表1 所示。

表1 特征標簽表

2.2 構造訓練集

本文提取了5 個特征指標進行分析，通過收集了2018 年以來共14 764 條派工單記錄，提出相關的特征值，匯總到一張數(shù)據(jù)表中。篩選出其中將域U對應于收集到的試驗樣本集合{1,2,3,4,5,6}。測試屬性A為前面收集到的5 類試驗特征值{A1,A2,A3,A4,A5}，決策屬性D為{0,1}代表是否需要派單處理[2]。假設需要分K類，每個分類標記為Ck，信息增益比的計算方法為

（1）經驗熵H(D)的計算公式為

（2）經驗條件熵H(D|A)的計算公式為

（3）信息增益g(D,A)的計算公式為

（4）信息增益比gR(D,A)的計算公式為

2.3 決策樹算法實現(xiàn)

采用C4.5 算法的決策樹，一定程度上優(yōu)化了原先ID3 的準確率，利用在決策樹上各個決策點上利用信息增益比選擇特征值，遞歸地構建決策樹。

按照表1 特征標簽構建的數(shù)據(jù)集，將會最終輸出決策樹T。

決策樹的具體構造方法如下。

（1）首先先將按照式（4）對各特征值A進行計算，選擇最大信息增益比Ag。

（2）若Ag=0，則設為單結點樹T，并將決策屬性D中最大的分類標記作為該結點的類。

（3）否則對Ag中的每個可能值ai，按照Ag=ai將D切分成若干子集Di。

（4）再將Di中數(shù)值最大的類作為標記，構建子結點，并由該結點及其子結點構成樹T。

（5）將特征集A中的Ag去除，獲得新的特征集A。

（6）對i個結點，重復以上步驟，直至獲取樹T。

2.3.1 分類結果

本文基于C4.5 算法的決策樹訓練方法，有效地增強了數(shù)據(jù)的準確性，加快了數(shù)據(jù)的分類速度。選取100 組訓練集，如表2 所示，共12 000 個工單進行訓練。測試樣本為隨機的4 000 個樣本，利用C4.5 的方法進行分析[3]。

表2 訓練集

2.3.2 測試應用

為了更好地驗證本次試驗的結果，進行更好地分析和改進。本次試驗的測試環(huán)境為AMD5900X 3.7GHz處理器、3080Ti 顯卡，軟件為Pycharm。

隨機選取10 個派單，作為樣本進行分析，如表3 所示。

表3 派單樣本表

經過計算，分類準確率達到90%，初步實現(xiàn)對無效工單的剔除，一定程度上提高了運維精確性，可以滿足電力營銷日常工作的需要。

2.4 派工單分揀和派發(fā)

本文利用RPA 技術將生成的待派工單進行一鍵式處理，并自動發(fā)送郵件到指定的工作人員手上。

本文利用Uibot 軟件開發(fā)，嵌入獲取決策樹數(shù)據(jù)的模塊，以及派發(fā)模塊。完成了軟件的開發(fā)后，進行20 次測試以檢驗是否能夠滿足工作需求，將采集派工人員日常分揀派發(fā)的時間從平均150 s 縮短至平均21 s，大大提高了主站側人員的派發(fā)時間，進一步提升運維效率。

3 項目成效

通過使用目前的故障處理體系進行整體研判及郵件轉發(fā)，有效縮短了工單處理時間，提升了派發(fā)準確率，使用后較使用前每個片區(qū)派發(fā)人每日節(jié)省時間5.88 min，按2021 年9 月全月計算，共25 個工作日，5 個值班日，工作日4 人派單，值班日1 人派單，累計共105 次使用派單小程序，共節(jié)省617.4 min。通過統(tǒng)計分析，按主站人員1 h 人工費用15 元計算，9月時間可以節(jié)省的人工費用為154.35 元。

通過故障處理體系實現(xiàn)準確率提高10%；2021年9 月整月派工單數(shù)為707 單，理論上不使用小程序的話派單數(shù)為786 單，縮減了79 單。按照2 人一組的運維小組1 h 人工費用15 元計算，以及每輛車輛25 元/h 進行計算。通過累加第1 第2 部分，可以計算得出9 月使用程序后，節(jié)約費用為3 051.35 元。

4 結 論

本文通過日常無效派工的問題入手，通過引入決策樹方法，構建訓練集并驗證測試集，最終實現(xiàn)對無效工單進行剔除，很大程度避免了現(xiàn)場運維人員的無效奔波，緩解了現(xiàn)場運維人員情緒。此外，引入了RPA 技術，簡化了采集主站人員日常的派工流程，省去中間的一系列表格操作以及郵件派發(fā)產生的耗時，能在較短的時間將日常派工單發(fā)送出去，以便現(xiàn)場運維人員開啟下一步工作。