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展，自動化控制設備占據供電設備的主要部分。自動化設備有專業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的建設和優質服務的要求提高，對現場工作和系統操作的時限也有了相應的要求，工作人員對系統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定造成數據采集不完整等無須派單運維的現象，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，進而造成工單處理總時間的延長。

現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，導致電力企業與客戶產生計量糾紛和經濟損失。因此提出優化現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節的時間可能占據一個采集運維工初步研判的20%左右，如何優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據獲取、數據清洗、決策樹算法實現以及最終分揀與派發工單等模塊組成[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據作為訓練集，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）將收集到的數據制成訓練集，實現決策樹算法。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 數據獲取

本文獲取的數據是由用電信息采集系統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，匯總到一張數據表中。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

采用C4.5 算法的決策樹，一定程度上優化了原先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 特征標簽構建的數據集，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，有效地增強了數據的準確性，加快了數據的分類速度。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

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

本文利用Uibot 軟件開發，嵌入獲取決策樹數據的模塊，以及派發模塊。完成了軟件的開發后，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，有效縮短了工單處理時間，提升了派發準確率，使用后較使用前每個片區派發人每日節省時間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，共節省617.4 min。通過統計分析，按主站人員1 h 人工費用15 元計算，9月時間可以節省的人工費用為154.35 元。

通過故障處理體系實現準確率提高10%；2021年9 月整月派工單數為707 單，理論上不使用小程序的話派單數為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，最終實現對無效工單進行剔除，很大程度避免了現場運維人員的無效奔波，緩解了現場運維人員情緒。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產生的耗時，能在較短的時間將日常派工單發送出去，以便現場運維人員開啟下一步工作。