基于決策樹(shù)算法的采集故障研判體系

陳銘遠(yuǎn)

（國(guó)網(wǎng)泉州供電公司，福建 泉州 362000）

0 引 言

近年來(lái)，電網(wǎng)智能化建設(shè)取得長(zhǎng)足發(fā)展，自動(dòng)化控制設(shè)備占據(jù)供電設(shè)備的主要部分。自動(dòng)化設(shè)備有專業(yè)性強(qiáng)和易出故障的特點(diǎn)，導(dǎo)致電網(wǎng)運(yùn)維任務(wù)增多。如何快速提高電網(wǎng)運(yùn)維效率，成了電網(wǎng)運(yùn)維建設(shè)第一要?jiǎng)?wù)。

截止2022 年9 月，國(guó)網(wǎng)泉州供電公司用電信息采集系統(tǒng)建設(shè)已累計(jì)接入智能電能表4 281 730 只，擁有采集終端85 182 臺(tái)。目前隨著智能電力系統(tǒng)的建設(shè)和優(yōu)質(zhì)服務(wù)的要求提高，對(duì)現(xiàn)場(chǎng)工作和系統(tǒng)操作的時(shí)限也有了相應(yīng)的要求，工作人員對(duì)系統(tǒng)熟悉程度和故障研判準(zhǔn)確度、研判時(shí)間成為亟待解決的難題。

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

現(xiàn)場(chǎng)人工運(yùn)維模式存在以下幾個(gè)缺陷：（1）人工分析診斷速度慢且無(wú)效工單較多；（2）運(yùn)維人員現(xiàn)場(chǎng)故障點(diǎn)和故障類型查找時(shí)間過(guò)長(zhǎng)等情況，致使需要緊急處理的故障未在最短時(shí)間內(nèi)修復(fù)，導(dǎo)致電力企業(yè)與客戶產(chǎn)生計(jì)量糾紛和經(jīng)濟(jì)損失。因此提出優(yōu)化現(xiàn)有的采集運(yùn)維故障研判體系，從而讓整體的運(yùn)維質(zhì)量和效率得到提高。

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

1 項(xiàng)目介紹

基于決策樹(shù)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(shù)算法實(shí)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(guò)決策樹(shù)對(duì)日常研判的單個(gè)故障工單進(jìn)行評(píng)價(jià)，以進(jìn)一步剔除無(wú)效工單，提高運(yùn)維效率。該方法需收集大量數(shù)據(jù)作為訓(xùn)練集，對(duì)日常工單的各類標(biāo)簽進(jìn)行分類，得出各個(gè)標(biāo)簽的特征值。

（2）將收集到的數(shù)據(jù)制成訓(xùn)練集，實(shí)現(xiàn)決策樹(shù)算法。經(jīng)過(guò)訓(xùn)練后再隨機(jī)選取若干測(cè)試集驗(yàn)證該方法是否可行，準(zhǔn)確率是否達(dá)標(biāo)。

（3）本文通過(guò)借鑒其他專業(yè)的做法，引入機(jī)器人流程自動(dòng)化（Robotic Process Automation，RPA）技術(shù)，改進(jìn)了日常派工模式。讓采集運(yùn)維人員能夠“一鍵式”完成原先煩瑣的操作，且進(jìn)一步縮短了主站側(cè)的派單時(shí)間[2]。

2 項(xiàng)目結(jié)構(gòu)

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(chǔ)檔案、電壓電流曲線值、終端事件、各類已有的管控報(bào)表等。通過(guò)專家的工作經(jīng)驗(yàn)將無(wú)效字段初步剔除后，初步得到以下的特征標(biāo)簽，如表1 所示。

表1 特征標(biāo)簽表

2.2 構(gòu)造訓(xùn)練集

本文提取了5 個(gè)特征指標(biāo)進(jìn)行分析，通過(guò)收集了2018 年以來(lái)共14 764 條派工單記錄，提出相關(guān)的特征值，匯總到一張數(shù)據(jù)表中。篩選出其中將域U對(duì)應(yīng)于收集到的試驗(yàn)樣本集合{1,2,3,4,5,6}。測(cè)試屬性A為前面收集到的5 類試驗(yàn)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(shè)需要分K類，每個(gè)分類標(biāo)記為Ck，信息增益比的計(jì)算方法為

（1）經(jīng)驗(yàn)熵H(D)的計(jì)算公式為

（2）經(jīng)驗(yàn)條件熵H(D|A)的計(jì)算公式為

（3）信息增益g(D,A)的計(jì)算公式為

（4）信息增益比gR(D,A)的計(jì)算公式為

2.3 決策樹(shù)算法實(shí)現(xiàn)

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

按照表1 特征標(biāo)簽構(gòu)建的數(shù)據(jù)集，將會(huì)最終輸出決策樹(shù)T。

決策樹(shù)的具體構(gòu)造方法如下。

（1）首先先將按照式（4）對(duì)各特征值A(chǔ)進(jìn)行計(jì)算，選擇最大信息增益比Ag。

（2）若Ag=0，則設(shè)為單結(jié)點(diǎn)樹(shù)T，并將決策屬性D中最大的分類標(biāo)記作為該結(jié)點(diǎn)的類。

（3）否則對(duì)Ag中的每個(gè)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(biāo)記，構(gòu)建子結(jié)點(diǎn)，并由該結(jié)點(diǎn)及其子結(jié)點(diǎn)構(gòu)成樹(shù)T。

（5）將特征集A中的Ag去除，獲得新的特征集A。

（6）對(duì)i個(gè)結(jié)點(diǎn)，重復(fù)以上步驟，直至獲取樹(shù)T。

2.3.1 分類結(jié)果

本文基于C4.5 算法的決策樹(shù)訓(xùn)練方法，有效地增強(qiáng)了數(shù)據(jù)的準(zhǔn)確性，加快了數(shù)據(jù)的分類速度。選取100 組訓(xùn)練集，如表2 所示，共12 000 個(gè)工單進(jìn)行訓(xùn)練。測(cè)試樣本為隨機(jī)的4 000 個(gè)樣本，利用C4.5 的方法進(jìn)行分析[3]。

表2 訓(xùn)練集

2.3.2 測(cè)試應(yīng)用

為了更好地驗(yàn)證本次試驗(yàn)的結(jié)果，進(jìn)行更好地分析和改進(jìn)。本次試驗(yàn)的測(cè)試環(huán)境為AMD5900X 3.7GHz處理器、3080Ti 顯卡，軟件為Pycharm。

隨機(jī)選取10 個(gè)派單，作為樣本進(jìn)行分析，如表3 所示。

表3 派單樣本表

經(jīng)過(guò)計(jì)算，分類準(zhǔn)確率達(dá)到90%，初步實(shí)現(xiàn)對(duì)無(wú)效工單的剔除，一定程度上提高了運(yùn)維精確性，可以滿足電力營(yíng)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(shù)將生成的待派工單進(jìn)行一鍵式處理，并自動(dòng)發(fā)送郵件到指定的工作人員手上。

本文利用Uibot 軟件開(kāi)發(fā)，嵌入獲取決策樹(shù)數(shù)據(jù)的模塊，以及派發(fā)模塊。完成了軟件的開(kāi)發(fā)后，進(jìn)行20 次測(cè)試以檢驗(yàn)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(shí)間從平均150 s 縮短至平均21 s，大大提高了主站側(cè)人員的派發(fā)時(shí)間，進(jìn)一步提升運(yùn)維效率。

3 項(xiàng)目成效

通過(guò)使用目前的故障處理體系進(jìn)行整體研判及郵件轉(zhuǎn)發(fā)，有效縮短了工單處理時(shí)間，提升了派發(fā)準(zhǔn)確率，使用后較使用前每個(gè)片區(qū)派發(fā)人每日節(jié)省時(shí)間5.88 min，按2021 年9 月全月計(jì)算，共25 個(gè)工作日，5 個(gè)值班日，工作日4 人派單，值班日1 人派單，累計(jì)共105 次使用派單小程序，共節(jié)省617.4 min。通過(guò)統(tǒng)計(jì)分析，按主站人員1 h 人工費(fèi)用15 元計(jì)算，9月時(shí)間可以節(jié)省的人工費(fèi)用為154.35 元。

通過(guò)故障處理體系實(shí)現(xiàn)準(zhǔn)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(yùn)維小組1 h 人工費(fèi)用15 元計(jì)算，以及每輛車輛25 元/h 進(jìn)行計(jì)算。通過(guò)累加第1 第2 部分，可以計(jì)算得出9 月使用程序后，節(jié)約費(fèi)用為3 051.35 元。

4 結(jié) 論

本文通過(guò)日常無(wú)效派工的問(wèn)題入手，通過(guò)引入決策樹(shù)方法，構(gòu)建訓(xùn)練集并驗(yàn)證測(cè)試集，最終實(shí)現(xiàn)對(duì)無(wú)效工單進(jìn)行剔除，很大程度避免了現(xiàn)場(chǎng)運(yùn)維人員的無(wú)效奔波，緩解了現(xiàn)場(chǎng)運(yùn)維人員情緒。此外，引入了RPA 技術(shù)，簡(jiǎn)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(chǎn)生的耗時(shí)，能在較短的時(shí)間將日常派工單發(fā)送出去，以便現(xiàn)場(chǎng)運(yùn)維人員開(kāi)啟下一步工作。