本发明涉及一种基于机器学习与rpa提高故障采集运维效率的方法，属于电网运维自动化。
背景技术：
1、近几年，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。然而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。
2、随着用电信息采集系统深化应用不断加强，系统的运行维护工作也随之增多，迫切的运维需求与相对低下的运维效率的矛盾日益凸显。
3、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：用电信息采集系统异常工单自动分析准确率仍然不高，尤其是对某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需派单运维的现象，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。
4、人工运维诊断的方式存在人工分析诊断速度慢且无效工单较多、维护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。因此要求对采集运维工作方式进行优化，从而提升整体运维效率和质量。
5、采用运维人工工单派发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。
技术实现思路
1、为了解决上述现有技术中存在的问题，本发明提出了一种基于机器学习与rpa提高故障采集运维效率的方法，利用机器学习算法模型对故障工单进行自动诊断，利用rpa机器人完成工单的派发，减少人工工作，提高故障采集运维的效率。
2、本发明的技术方案如下：
3、一方面，本发明提供一种基于机器学习与rpa提高故障采集运维效率的方法，包括以下步骤：
4、收集历史故障工单数据作为原始数据，对原始数据进行预处理；
5、对预处理后的数据添加数据标签，所述数据标签指示故障的类型、故障的处理方案以及该工单是否被派发；将添加完数据标签的数据放入样本集中；
6、利用样本集对机器学习算法模型进行训练，得到训练好的故障诊断模型；
7、实时获取故障工单数据，将故障工单数据输入至故障诊断模型，输出该工单对应的故障类型、故障处理方案以及该工单是否需要派发；
8、调用rpa机器人将对应需要派发的故障工单数据生成派发工单，并将派发工单转送给对应运维人员。
9、作为优选实施方式，所述对原始数据进行预处理的方法具体为：
10、按数据类型对原始数据进行整理汇总；
11、按照数据类型对不同类型的数据进行数据归一化处理；
12、并对离散型数据进行独热编码。
13、作为优选实施方式，所述收集历史故障工单数据的方法具体为：
14、编写爬虫脚本，利用爬虫脚本自动抓取历史故障工单数据汇总至表格文档中。
15、作为优选实施方式，所述数据标签具体包括是否断线标签、终端类型标签、是否停电标签、是否存在终端计量故障标签、是否抄差标签以及是否派单标签。
16、作为优选实施方式，所述机器学习算法模型具体为lightgbm决策树算法模型，所述利用样本集对机器学习算法模型进行训练的步骤具体为：
17、将样本集划分为测试集和训练集；
18、根据数据标签以及标签描述设置标签列；
19、将标签列数据保存到lightgbm二进制文件中；
20、设置lightgbm决策树算法模型的参数；
21、利用训练集对lightgbm决策树算法模型进行训练；
22、保存模型参数，并利用测试集测试模型预测的准确率，若准确率达到阈值则输出训练好的模型，若准确率低于阈值则返回重新设置lightgbm决策树算法模型的参数。
23、作为优选实施方式，在lightgbm决策树算法模型的训练过程中，通过寻找最优参数的脚本调整模型参数；
24、在每次迭代中，所述寻找最优参数的脚本判断模型预测的准确率是否达到阈值；
25、不达标则通过寻优算法更新lightgbm决策树算法模型的参数，或者调整lightgbm决策树算法模型的模型结构，直至模型预测的准确率达到阈值。
26、作为优选实施方式，其特征在于：所述rpa机器人具体采用uibot rpa机器人。
27、作为优选实施方式，所述调用rpa机器人将对应需要派发的故障工单数据生成派发工单，并将派发工单转送给对应运维人员的步骤具体为：
28、rpa机器人包括控制台管理机器人、执行器机器人以及生产机器人；
29、所述控制台管理机器人接收故障诊断模型输出的需要派发的故障工单数据，并将故障工单数据分配至执行器机器人；
30、执行器机器人根据故障类型将故障工单数据下发至对应的生产机器人；
31、所述生产机器人根据故障类型和故障处理方案进行派发工单的制作，并将制作好的派发工单上传至控制台管理机器人；
32、控制台管理机器人通过内网服务器将派发工单转送给对应的运维人员。
33、另一方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的基于机器学习与rpa提高故障采集运维效率的方法。
34、再一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本发明任一实施例所述的基于机器学习与rpa提高故障采集运维效率的方法。
35、本发明具有如下有益效果：
36、本发明一种基于机器学习与rpa提高故障采集运维效率的方法，利用机器学习算法模型对故障工单进行自动诊断，利用rpa机器人完成工单的派发，减少人工工作，提高故障采集运维的效率。
1.一种基于机器学习与rpa提高故障采集运维效率的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习与rpa提高故障采集运维效率的方法，其特征在于，所述对原始数据进行预处理的方法具体为：
3.根据权利要求1所述的一种基于机器学习与rpa提高故障采集运维效率的方法，其特征在于，所述收集历史故障工单数据的方法具体为：
4.根据权利要求1所述的一种基于机器学习与rpa提高故障采集运维效率的方法，其特征在于：所述数据标签具体包括是否断线标签、终端类型标签、是否停电标签、是否存在终端计量故障标签、是否抄差标签以及是否派单标签。
5.根据权利要求1所述的一种基于机器学习与rpa提高故障采集运维效率的方法，其特征在于，所述机器学习算法模型具体为lightgbm决策树算法模型，所述利用样本集对机器学习算法模型进行训练的步骤具体为：
6.根据权利要求5所述的一种基于机器学习与rpa提高故障采集运维效率的方法，其特征在于，在lightgbm决策树算法模型的训练过程中，通过寻找最优参数的脚本调整模型参数；
7.根据权利要求1所述的一种基于机器学习与rpa提高故障采集运维效率的方法，其特征在于：所述rpa机器人具体采用uibot rpa机器人。
8.根据权利要求1所述的一种基于机器学习与rpa提高故障采集运维效率的方法，其特征在于，所述调用rpa机器人将对应需要派发的故障工单数据生成派发工单，并将派发工单转送给对应运维人员的步骤具体为：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的基于机器学习与rpa提高故障采集运维效率的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8任一项所述的基于机器学习与rpa提高故障采集运维效率的方法。
