陈铭远

（国网泉州供电公司，福建 泉州 362000）

0 引 言

近年来，电网智能化建设取得长足发展，自动化控制设备占据供电设备的主要部分。自动化设备有专业性强和易出故障的特点，导致电网运维任务增多。如何快速提高电网运维效率，成了电网运维建设第一要务。

截止2022 年9 月，国网泉州供电公司用电信息采集系统建设已累计接入智能电能表4 281 730 只，拥有采集终端85 182 台。目前随着智能电力系统的建设和优质服务的要求提高，对现场工作和系统操作的时限也有了相应的要求，工作人员对系统熟悉程度和故障研判准确度、研判时间成为亟待解决的难题。

从技术、工艺、技能、方法等方面进行分析，现有运行维护存在着无法满足需求的情况主要是用电信息采集系统内嵌的异常工单难以完全覆盖采集运维的需求，尤其是对些设备停电或设备通信信号不稳定造成数据采集不完整等无须派单运维的现象，还需要人工进行再次分析筛选，但还是无法完全避免无效工单的派发，进而造成工单处理总时间的延长。

现场人工运维模式存在以下几个缺陷：（1）人工分析诊断速度慢且无效工单较多；（2）运维人员现场故障点和故障类型查找时间过长等情况，致使需要紧急处理的故障未在最短时间内修复，导致电力企业与客户产生计量纠纷和经济损失。因此提出优化现有的采集运维故障研判体系，从而让整体的运维质量和效率得到提高。

采用运维派工单的方式无形中增加了额外的处理时间。消耗在整理派工单以及分拣派工单，最后将派工单流转到下一个环节的时间可能占据一个采集运维工初步研判的20%左右，如何优化这一过程将成为提高整体运维效率的关键。

1 项目介绍

基于决策树算法的采集故障研判体系主要由数据获取、数据清洗、决策树算法实现以及最终分拣与派发工单等模块组成[1]。

（1）本文将通过决策树对日常研判的单个故障工单进行评价，以进一步剔除无效工单，提高运维效率。该方法需收集大量数据作为训练集，对日常工单的各类标签进行分类，得出各个标签的特征值。

（2）将收集到的数据制成训练集，实现决策树算法。经过训练后再随机选取若干测试集验证该方法是否可行，准确率是否达标。

（3）本文通过借鉴其他专业的做法，引入机器人流程自动化（Robotic Process Automation，RPA）技术，改进了日常派工模式。让采集运维人员能够“一键式”完成原先烦琐的操作，且进一步缩短了主站侧的派单时间[2]。

2 项目结构

2.1 数据获取

本文获取的数据是由用电信息采集系统提供的各类基础档案、电压电流曲线值、终端事件、各类已有的管控报表等。通过专家的工作经验将无效字段初步剔除后，初步得到以下的特征标签，如表1 所示。

表1 特征标签表

2.2 构造训练集

本文提取了5 个特征指标进行分析，通过收集了2018 年以来共14 764 条派工单记录，提出相关的特征值，汇总到一张数据表中。筛选出其中将域U对应于收集到的试验样本集合{1,2,3,4,5,6}。测试属性A为前面收集到的5 类试验特征值{A1,A2,A3,A4,A5}，决策属性D为{0,1}代表是否需要派单处理[2]。假设需要分K类，每个分类标记为Ck，信息增益比的计算方法为

（1）经验熵H(D)的计算公式为

（2）经验条件熵H(D|A)的计算公式为

（3）信息增益g(D,A)的计算公式为

（4）信息增益比gR(D,A)的计算公式为

2.3 决策树算法实现

采用C4.5 算法的决策树，一定程度上优化了原先ID3 的准确率，利用在决策树上各个决策点上利用信息增益比选择特征值，递归地构建决策树。

按照表1 特征标签构建的数据集，将会最终输出决策树T。

决策树的具体构造方法如下。

（1）首先先将按照式（4）对各特征值A进行计算，选择最大信息增益比Ag。

（2）若Ag=0，则设为单结点树T，并将决策属性D中最大的分类标记作为该结点的类。

（3）否则对Ag中的每个可能值ai，按照Ag=ai将D切分成若干子集Di。

（4）再将Di中数值最大的类作为标记，构建子结点，并由该结点及其子结点构成树T。

（5）将特征集A中的Ag去除，获得新的特征集A。

（6）对i个结点，重复以上步骤，直至获取树T。

2.3.1 分类结果

本文基于C4.5 算法的决策树训练方法，有效地增强了数据的准确性，加快了数据的分类速度。选取100 组训练集，如表2 所示，共12 000 个工单进行训练。测试样本为随机的4 000 个样本，利用C4.5 的方法进行分析[3]。

表2 训练集

2.3.2 测试应用

为了更好地验证本次试验的结果，进行更好地分析和改进。本次试验的测试环境为AMD5900X 3.7GHz处理器、3080Ti 显卡，软件为Pycharm。

随机选取10 个派单，作为样本进行分析，如表3 所示。

表3 派单样本表

经过计算，分类准确率达到90%，初步实现对无效工单的剔除，一定程度上提高了运维精确性，可以满足电力营销日常工作的需要。

2.4 派工单分拣和派发

本文利用RPA 技术将生成的待派工单进行一键式处理，并自动发送邮件到指定的工作人员手上。

本文利用Uibot 软件开发，嵌入获取决策树数据的模块，以及派发模块。完成了软件的开发后，进行20 次测试以检验是否能够满足工作需求，将采集派工人员日常分拣派发的时间从平均150 s 缩短至平均21 s，大大提高了主站侧人员的派发时间，进一步提升运维效率。

3 项目成效

通过使用目前的故障处理体系进行整体研判及邮件转发，有效缩短了工单处理时间，提升了派发准确率，使用后较使用前每个片区派发人每日节省时间5.88 min，按2021 年9 月全月计算，共25 个工作日，5 个值班日，工作日4 人派单，值班日1 人派单，累计共105 次使用派单小程序，共节省617.4 min。通过统计分析，按主站人员1 h 人工费用15 元计算，9月时间可以节省的人工费用为154.35 元。

通过故障处理体系实现准确率提高10%；2021年9 月整月派工单数为707 单，理论上不使用小程序的话派单数为786 单，缩减了79 单。按照2 人一组的运维小组1 h 人工费用15 元计算，以及每辆车辆25 元/h 进行计算。通过累加第1 第2 部分，可以计算得出9 月使用程序后，节约费用为3 051.35 元。

4 结 论

本文通过日常无效派工的问题入手，通过引入决策树方法，构建训练集并验证测试集，最终实现对无效工单进行剔除，很大程度避免了现场运维人员的无效奔波，缓解了现场运维人员情绪。此外，引入了RPA 技术，简化了采集主站人员日常的派工流程，省去中间的一系列表格操作以及邮件派发产生的耗时，能在较短的时间将日常派工单发送出去，以便现场运维人员开启下一步工作。