基于文本挖掘的電力運(yùn)維服務(wù)項(xiàng)目智能輔助管理

王文娟 李鴻健

1(國網(wǎng)重慶電力公司 重慶 400060)

2(重慶郵電大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 重慶 400065)

0 引 言

在電力系統(tǒng)中，運(yùn)維服務(wù)項(xiàng)目計(jì)劃將成為運(yùn)維服務(wù)日常管理工作中的一個重要環(huán)節(jié)，實(shí)行嚴(yán)格的運(yùn)維服務(wù)項(xiàng)目計(jì)劃是電力企業(yè)發(fā)展的迫切需要，也是建立規(guī)范有效的內(nèi)控制度的必要環(huán)節(jié)。然而，當(dāng)前的運(yùn)維服務(wù)項(xiàng)目計(jì)劃管理是管理工作中比較薄弱的環(huán)節(jié)，對運(yùn)維服務(wù)項(xiàng)目計(jì)劃進(jìn)行有效的管控，保證項(xiàng)目計(jì)劃合理、完整、準(zhǔn)確具有重要意義。當(dāng)前電力系統(tǒng)運(yùn)維服務(wù)項(xiàng)目計(jì)劃管理存在以下問題：(1) 項(xiàng)目計(jì)劃類別錯誤，項(xiàng)目內(nèi)容不規(guī)范、運(yùn)維服務(wù)內(nèi)容超范圍等，給后續(xù)的管理工作帶來諸多不便；(2) 項(xiàng)目存在重復(fù)申報(bào)和立項(xiàng)的問題，資金使用效率低，審批過程中無法進(jìn)行實(shí)時分析，管理過程不能實(shí)時跟蹤和追溯；(3) 申報(bào)過程繁瑣，周期較長，項(xiàng)目的管理過程復(fù)雜耗費(fèi)了大量的人力資源。因此，電力系統(tǒng)對運(yùn)維服務(wù)項(xiàng)目計(jì)劃申報(bào)和管理提出了更高的要求。目前文獻(xiàn)[1-2]針對科研項(xiàng)目的重復(fù)立項(xiàng)和管理提出了一些輔助查詢分析和預(yù)警，然而科研項(xiàng)目管理與電力運(yùn)維服務(wù)項(xiàng)目計(jì)劃管理具有不同特點(diǎn)，難以有效地解決電力運(yùn)維服務(wù)項(xiàng)目計(jì)劃管理的問題。

基于中文文本挖掘?qū)崿F(xiàn)智能文本處理是一項(xiàng)重要且具有挑戰(zhàn)的技術(shù)[3-5]。目前，基于文本挖掘的中文分詞技術(shù)已經(jīng)廣泛應(yīng)用于中文自動分類、自動摘要、自動校對等領(lǐng)域[6-8]。中文文本挖掘的應(yīng)用有時是很困難的，經(jīng)常需要與專業(yè)知識進(jìn)行密切結(jié)合[9]。隨著大數(shù)據(jù)和互聯(lián)網(wǎng)的發(fā)展，中文文本挖掘在網(wǎng)頁中的應(yīng)用越來越廣泛，然而在專業(yè)領(lǐng)域的應(yīng)用如在電力領(lǐng)域文本挖掘還正處于初級階段[10]。在國內(nèi)電力系統(tǒng)研究中，文獻(xiàn)[11]采用文本挖掘技術(shù)對電力設(shè)備典型故障案例進(jìn)行研究，采用智能文本技術(shù)提高對故障原因信息提取的準(zhǔn)確率；文獻(xiàn)[12]深入研究了電力系統(tǒng)設(shè)備缺陷的文本分類模型，將深度學(xué)習(xí)方法應(yīng)用于該領(lǐng)域的分類模型。在國際上，文獻(xiàn)[13]通過歷史事件和天氣等信息對變電站負(fù)荷進(jìn)行預(yù)測；文獻(xiàn)[14]通過文本挖掘技術(shù)對電力系統(tǒng)的故障風(fēng)險進(jìn)行研究等。由此可見，文本挖掘技術(shù)可應(yīng)用于電力系統(tǒng)并提高運(yùn)行維護(hù)的效率。

本文將文本挖掘技術(shù)應(yīng)用于電力系統(tǒng)運(yùn)維服務(wù)項(xiàng)目計(jì)劃的輔助管理，設(shè)計(jì)并實(shí)現(xiàn)了基于智能分詞處理技術(shù)的項(xiàng)目計(jì)劃輔助管理系統(tǒng)。首先采用智能分詞技術(shù)對電力運(yùn)維服務(wù)計(jì)劃材料進(jìn)行分詞，然后設(shè)計(jì)多層級多分類器融合分類方法進(jìn)行項(xiàng)目分類，并進(jìn)行項(xiàng)目相似度計(jì)算，實(shí)現(xiàn)項(xiàng)目申報(bào)的分類檢查和高重復(fù)度的智能提示，避免項(xiàng)目類別填報(bào)錯誤、項(xiàng)目重復(fù)申報(bào)和立項(xiàng)、項(xiàng)目內(nèi)容不規(guī)范、運(yùn)維服務(wù)內(nèi)容超范圍等問題。本文構(gòu)建了一種適用于電力系統(tǒng)運(yùn)維項(xiàng)目智能輔助管理的框架，基于該框架通過智能分類和計(jì)算項(xiàng)目相似度，在檢測項(xiàng)目重復(fù)度和分類匹配的同時，為項(xiàng)目過濾評審和管理提供必要提示信息。通過該模型和系統(tǒng)對電力系統(tǒng)運(yùn)維服務(wù)管理項(xiàng)目進(jìn)行規(guī)范化管理，數(shù)據(jù)結(jié)果表明，分類匹配精確度對比傳統(tǒng)分類方法提高3個百分點(diǎn)以上，能夠檢查高重復(fù)度項(xiàng)目，過濾不規(guī)范項(xiàng)目，有效提高了運(yùn)維服務(wù)項(xiàng)目管理效率。

1 模型框架和系統(tǒng)設(shè)計(jì)

1.1 模型框架

本節(jié)構(gòu)建電力運(yùn)維服務(wù)項(xiàng)目智能輔助計(jì)劃管理框架，基于該框架實(shí)現(xiàn)電力系統(tǒng)運(yùn)維服務(wù)項(xiàng)目智能管理輔助系統(tǒng)。

基于文本挖掘技術(shù)的電力運(yùn)維服務(wù)項(xiàng)目智能輔助管理框架如圖1所示。首先對申報(bào)材料進(jìn)行智能分詞處理；然后提取和表示項(xiàng)目特征，基于特征向量進(jìn)行多層級多分類器融合分類和相似度計(jì)算，過濾分類錯誤項(xiàng)目和重復(fù)申報(bào)項(xiàng)目，并在專家評審階段分類評審；最后實(shí)現(xiàn)項(xiàng)目一鍵式材料歸檔，降低人工成本，將已立項(xiàng)項(xiàng)目納入項(xiàng)目庫進(jìn)行后期管理。

圖1 電力運(yùn)維服務(wù)項(xiàng)目智能輔助管理框架

申報(bào)項(xiàng)目立項(xiàng)進(jìn)入管理庫后，可對本模型進(jìn)一步優(yōu)化訓(xùn)練，采用歷史樣本對初始運(yùn)維服務(wù)項(xiàng)目智能申報(bào)分類模型進(jìn)行訓(xùn)練，得到的運(yùn)維服務(wù)項(xiàng)目智能申報(bào)模型再經(jīng)過測試項(xiàng)目驗(yàn)證和優(yōu)化。在該框架下，還可以采用數(shù)據(jù)挖掘和分析技術(shù)對目標(biāo)項(xiàng)目數(shù)據(jù)資源進(jìn)行定期分析和跟蹤，以達(dá)到對運(yùn)維服務(wù)項(xiàng)目智能申報(bào)模型的訓(xùn)練和學(xué)習(xí)，使運(yùn)維服務(wù)項(xiàng)目智能申報(bào)模型能夠不斷優(yōu)化。運(yùn)維服務(wù)項(xiàng)目智能申報(bào)模型通過定期的分析和跟蹤，能夠及時進(jìn)行調(diào)整和評價，使模型能夠不斷地進(jìn)行優(yōu)化，從而使得運(yùn)維服務(wù)項(xiàng)目智能申報(bào)各種功能模塊的效果越來越好。

1.2 系統(tǒng)設(shè)計(jì)

電力系統(tǒng)運(yùn)維服務(wù)因納入項(xiàng)目化管控時間較短，對于項(xiàng)目需求評審、運(yùn)維服務(wù)過程規(guī)范等內(nèi)容檢查仍在摸索階段，公司根據(jù)運(yùn)維服務(wù)管理的經(jīng)驗(yàn)，提取運(yùn)維服務(wù)管理過程中的痛點(diǎn)和難點(diǎn)，重點(diǎn)加強(qiáng)項(xiàng)目計(jì)劃端管控力度，實(shí)現(xiàn)項(xiàng)目立項(xiàng)有據(jù)可依，項(xiàng)目計(jì)劃管控全程可追溯。圖2為電力運(yùn)維服務(wù)項(xiàng)目智能輔助管理功能模塊圖，主要功能如下：1) 實(shí)現(xiàn)在線計(jì)劃填報(bào)、項(xiàng)目計(jì)劃修改、審核全程可追溯。2) 通過智能分詞技術(shù)實(shí)現(xiàn)過濾、分類和重復(fù)度檢測，分析檢測項(xiàng)目內(nèi)容，為項(xiàng)目計(jì)劃審核主動提供審核提示，提高工作效率。智能分詞技術(shù)實(shí)現(xiàn)的具體功能包括：(1) 過濾，自動過濾不符合要求項(xiàng)目；(2) 分類匹配，對申報(bào)項(xiàng)目進(jìn)行自動分類檢查；(3) 項(xiàng)目重復(fù)度檢測，對項(xiàng)目進(jìn)行相似度計(jì)算，包括與已立項(xiàng)項(xiàng)目進(jìn)行對比和同時申報(bào)項(xiàng)目之間的比對，給項(xiàng)目管理者和項(xiàng)目評審專家提供參考。3) 在項(xiàng)目計(jì)劃確認(rèn)后一鍵生成后期資料，減少因資料文檔工作量大而造成的人工重復(fù)工作量，提升運(yùn)維服務(wù)管理規(guī)范性、精益化水平。

圖2 電力運(yùn)維服務(wù)項(xiàng)目計(jì)劃智能管理系統(tǒng)功能設(shè)計(jì)

本系統(tǒng)主要目的是減少人力處理數(shù)據(jù)環(huán)節(jié)，節(jié)省大量人工操作，實(shí)現(xiàn)自動化輔助管理，減少項(xiàng)目重復(fù)申報(bào)和立項(xiàng)，提高項(xiàng)目管理和資金利用效率。同時還能實(shí)現(xiàn)智能提示，避免項(xiàng)目內(nèi)容不規(guī)范、運(yùn)維服務(wù)內(nèi)容超范圍等情況。

2 流程與方法

2.1 層級多分類器融合分類方法

本文采用文本分類方法對申報(bào)材料進(jìn)行分類，電力運(yùn)維服務(wù)項(xiàng)目共分三級科目，例如一級科目分為五大類：軟件系統(tǒng)信息統(tǒng)推(IC)、硬件設(shè)備(IB)、基礎(chǔ)設(shè)施(ID)、一級客服(IA)、其他系統(tǒng)(IE)。本文對一級科目和二級科目的分類精確度進(jìn)行優(yōu)化提升。項(xiàng)目在申報(bào)時由于各種原因可能存在申報(bào)分類不正確的問題，會給后續(xù)項(xiàng)目評審、績效評估、項(xiàng)目管理、歸檔等帶來各種問題，因此在項(xiàng)目初審時必須嚴(yán)格篩查。本系統(tǒng)采用文本分類方法對項(xiàng)目申報(bào)材料進(jìn)行自動分類，對可能存在類別錯誤的項(xiàng)目進(jìn)行提示，減少人工篩查的巨大工作量，提高了初審效率。

2.1.1一級科目分類方法設(shè)計(jì)

針對一級科目分類，采用單分類器不能充分挖掘項(xiàng)目文本信息的特征，其分類效果不能得到進(jìn)一步提升。因此，本文設(shè)計(jì)了一種多分類器融合分類方法來進(jìn)行處理，該分類方法組合了組合樸素貝葉斯、邏輯回歸、隨機(jī)森林三種分類器。通過三種分類器重復(fù)提取項(xiàng)目材料的特征，并提高分類的效果。

由于五類一級科目申報(bào)材料中的內(nèi)容差異較大，描述的對象各不相同，例如軟件系統(tǒng)信息統(tǒng)推(IC)類材料往往會出現(xiàn)軟件、數(shù)據(jù)庫、中間件等，而這些詞語基本不會出現(xiàn)在其他類材料中，所以考慮用申報(bào)材料的詞語作為文本的特征。同時為了避免構(gòu)建的詞語特征空間出現(xiàn)特征稀疏、維度災(zāi)難等問題，使用卡方檢驗(yàn)抽取與類別相關(guān)度最大的1 000個詞語作為特征來構(gòu)建文本詞語特征空間。接著使用詞袋模型將每份申報(bào)材料轉(zhuǎn)換為特征向量。

對申報(bào)材料構(gòu)建文本特征表示后，需要訓(xùn)練分類器來對材料進(jìn)行分類，由于不同的分類器具有不同的分類性能，而Stacking集成學(xué)習(xí)方法能有效地組合分類器并提升性能，所以本文使用Stacking方法組合樸素貝葉斯、邏輯回歸、隨機(jī)森林三種分類器來對申報(bào)材料進(jìn)行分類，具體過程如圖3所示。首先將申報(bào)材料的文本詞語特征分別輸入到每個分類器中。在每個基分類器下，評論文本都獲得屬于五個類別的五個后驗(yàn)概率。將五個基分類器對評論文本輸出的十五個后驗(yàn)分類概率進(jìn)行拼接，形成新的十五維文本特征向量。最后使用十五維文本特征向量訓(xùn)練XGBoost分類器[15]，并進(jìn)行一級科目分類，獲取申報(bào)材料的一級科目類別。

圖3 多分類器融合分類框架圖

2.1.2二級科目分類方法設(shè)計(jì)

經(jīng)過一級科目分類后，還需要將每份申報(bào)材料劃分到一級科目下的二級子科目中。由于相同一級科目的申報(bào)材料屬于同一領(lǐng)域，因此其內(nèi)容相通且材料中的用詞十分相近，此時若以詞語來作為申報(bào)材料的特征將不再具備區(qū)分度。所以本文考慮綜合使用卷積神經(jīng)網(wǎng)絡(luò)[16]和自編碼神經(jīng)網(wǎng)絡(luò)[17]來分別構(gòu)建申報(bào)材料的局部特征和全局特征。

首先使用Word2Vec方法訓(xùn)練得到申報(bào)材料的詞向量并作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，接著使用不同高度的卷積核進(jìn)行卷積計(jì)算，當(dāng)卷積核的高度不同時對應(yīng)地提取不同長度的局部特征。然后經(jīng)過池化層、Dropout層和全連接層進(jìn)行分類。模型訓(xùn)練完成后，提取池化層的輸出向量作為申報(bào)材料的局部特征。

自編碼網(wǎng)絡(luò)能通過具有隱藏層的神經(jīng)網(wǎng)絡(luò)的逐層特征變換獲得原始數(shù)據(jù)的低維表示，從而達(dá)到在顯著降低文本特征維度的同時盡量保留原本輸入內(nèi)容的目的。本文自編碼網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示。

圖4 自編碼網(wǎng)絡(luò)結(jié)構(gòu)圖

Lθ表示自編碼網(wǎng)絡(luò)的目標(biāo)函數(shù)，計(jì)算式如下：

(1)

(2)

訓(xùn)練過程中通過反向傳播梯度下降的方法更新參數(shù)，使得目標(biāo)函數(shù)減小。當(dāng)輸出誤差L足夠小時，表明輸入樣本數(shù)據(jù)可以通過隱藏層重構(gòu)表達(dá)，此時隱藏層輸出即為提取的申報(bào)材料全局特征。

最后將獲取的申報(bào)材料的局部特征和全局特征拼接作為輸入來訓(xùn)練新的XGBoost分類器并進(jìn)行二級科目的分類。

2.2 項(xiàng)目文本重復(fù)度計(jì)算

2.2.1基于TF-IDF算法的特征項(xiàng)選取

采用TF-IDF算法進(jìn)行文本特征項(xiàng)提取，根據(jù)本文的具體應(yīng)用，對項(xiàng)目范圍和項(xiàng)目內(nèi)容等文本內(nèi)容進(jìn)行特征項(xiàng)提取。構(gòu)建項(xiàng)目的文本特征向量，其具體步驟包含：(1) 對文本向量進(jìn)行降維；(2) 采用TF-IDF的算法對特征項(xiàng)進(jìn)行評估并排序；(3) 根據(jù)閾值選取評估分值高的作為特征項(xiàng)。

2.2.2計(jì)算文本相似度

采用余弦相似性算法對電力運(yùn)維服務(wù)項(xiàng)目材料包括維護(hù)范圍、維護(hù)內(nèi)容、維護(hù)要求等綜合分析項(xiàng)目之間相似性。余弦相似性算法[18]已經(jīng)廣泛應(yīng)用于文本相似度計(jì)算，如式(3)所示，通過計(jì)算兩個項(xiàng)目特征的向量余弦相似度，檢測項(xiàng)目文本重復(fù)度。

(3)

通過計(jì)算余弦相似度能夠快速查重，一方面檢測申報(bào)項(xiàng)目與歷史立項(xiàng)項(xiàng)目間的重復(fù)度，避免重復(fù)立項(xiàng)；另一方面檢測同時申報(bào)的項(xiàng)目間的重復(fù)度，避免重復(fù)申報(bào)，通過檢查高重復(fù)度項(xiàng)目為項(xiàng)目評審和管理人員提供輔助決策信息，節(jié)約了大量的人工比對和操作時間，進(jìn)一步提高項(xiàng)目管理效率。

3 系統(tǒng)實(shí)現(xiàn)與結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)置

軟硬件配置：本實(shí)驗(yàn)采用的計(jì)算機(jī)系統(tǒng)為64位Windows 10系統(tǒng)，處理器為Core-i7，內(nèi)存為16 GB，硬盤為128 GB的固態(tài)硬盤、2 TB機(jī)械硬盤。本文對文本進(jìn)行一系列預(yù)處理工作，包括去掉申報(bào)材料中的相同內(nèi)容部分、無用部分，進(jìn)行中文分詞。分詞工具采用的是NLPIR漢語分詞系統(tǒng)，其主要功能包括中文分詞、詞性標(biāo)注等，該系統(tǒng)在中文分詞任務(wù)中有很好的表現(xiàn)。

以該系統(tǒng)在某省電力運(yùn)維服務(wù)計(jì)劃項(xiàng)目管理中的應(yīng)用為例，通過對2016年及以前的共1 600個歷史申報(bào)項(xiàng)目進(jìn)行訓(xùn)練和測試，將其劃分為訓(xùn)練集為1 200個項(xiàng)目，測試集400個項(xiàng)目，然后對2016年—2018年新申報(bào)的350個運(yùn)維服務(wù)申報(bào)項(xiàng)目進(jìn)行文本分析。本實(shí)驗(yàn)采用的評價指標(biāo)包括準(zhǔn)確率(Precision)、召回率(Recall)和F1值，計(jì)算分別如下：

(3)

(4)

(5)

式中：TP和FP分別表示為識別的正類總數(shù)和負(fù)類總數(shù)；未識別的正類總數(shù)由FN表示。Precision為查準(zhǔn)率，表示檢索出來的條目有多少是正類的；Recall為召回率，表示正類中有多少被檢索出來；F1值作為反映模型好壞的評價指標(biāo)，可以保證客觀公正。

3.2 結(jié)果分析

3.2.1分類結(jié)果

為了測試本文采用的多分類器融合方法的效果，將本文方法與SVM、LG、CNN、文獻(xiàn)[19]方法的測試效果進(jìn)行對比，一級分類結(jié)果如表1所示。

表1 一級分類結(jié)果 %

可以看出，本文采用的多分類器融合方法在一級分類中效果顯著，本文方法準(zhǔn)確率達(dá)到90%以上，相比其他傳統(tǒng)方法，準(zhǔn)確率提高了2.4～5.4個百分點(diǎn)，F(xiàn)1值提高了2.2～6.0個百分點(diǎn)。由此可見，本文方法相比其他傳統(tǒng)方法具有更好的分類效果。

在幾種傳統(tǒng)的單一分類器的對比中，CNN方法由于具有自我學(xué)習(xí)能力，表現(xiàn)出較好的分類效果。而LG、SVM方法的特征是人為確定的，CNN方法相比于LG、SVM方法有較高的適應(yīng)性。另一方面，LG、SVM、CNN三種方法與本文方法相比的分類結(jié)果相差較大，主要原因是LG、SVM提取的特征較少，所以很容易受到噪聲影響，從而造成了分類結(jié)果較差，而CNN方法雖然可以自動從樣本中提取特征，但由于數(shù)據(jù)量較小，容易過擬合，從而分類效果降低。

而文獻(xiàn)[19]方法盡管也采用了兩種分類器進(jìn)行融合分類，然而其在一級分類中準(zhǔn)確率仍然無法達(dá)到90%及以上，本文結(jié)合三種分類器進(jìn)行融合分類的方法，獲取更多文本特征滿足分類要求。

二級分類結(jié)果如表2所示。SVM方法的準(zhǔn)確率最低，原因可能是數(shù)據(jù)量過多和樣本中有缺損數(shù)據(jù)，導(dǎo)致SVM在二級分類中表現(xiàn)相對較差的原因還在于SVM分類器自身的泛化能力過于強(qiáng)大，無法區(qū)分出類間的不同。而且SVM方法效率較低，因?yàn)镾VM無法直接給出多分類的最終結(jié)果，要通過多個SVM分類器才能給出最終結(jié)果，花費(fèi)的訓(xùn)練時間和測試時間都有所上升。LG方法與SVM方法相比準(zhǔn)確率提高了1.8個百分點(diǎn)，F(xiàn)1值提高了2.0個百分點(diǎn)，但LG方法同樣無法直接給出最終結(jié)果，需要多個分類器才能給出多分類的最終結(jié)果。

表2 二級分類結(jié)果 %

CNN與SVM相比，其準(zhǔn)確率分別提高了2.3個百分點(diǎn)，召回率器高了4.3個百分點(diǎn)。CNN在二級分類中更能區(qū)分出類間的不同，因?yàn)镃NN強(qiáng)大的擬合能力是其他方法不具備的。

本文方法與CNN方法相比，在準(zhǔn)確率、召回率、F1值均方面分別提高了4.4、4.4和5.6個百分點(diǎn)。這是因?yàn)楸疚陌炎跃幋a網(wǎng)絡(luò)與CNN相結(jié)合，通過自編碼網(wǎng)絡(luò)能獲得原始數(shù)據(jù)的低維表示，從而達(dá)到在顯著降低文本特征維度的同時盡量保留原本輸入內(nèi)容的目的，提升了在二級分類中的分類效果。

3.2.2相似度分析結(jié)果

通過上述相似度計(jì)算，可得歷史已立項(xiàng)項(xiàng)目庫的文本重復(fù)度情況如表3所示。高度重復(fù)項(xiàng)目主要是項(xiàng)目申報(bào)者對已立項(xiàng)的項(xiàng)目做了簡單改動并重復(fù)申報(bào)，例如：電力維護(hù)服務(wù)項(xiàng)目中，有些項(xiàng)目盡管名稱不同，但維護(hù)內(nèi)容和維護(hù)范圍卻高度相同。盡管電力維護(hù)服務(wù)項(xiàng)目在服務(wù)內(nèi)容上存在一些重復(fù)，然而為了杜絕項(xiàng)目申報(bào)只進(jìn)行簡單修改就重復(fù)申報(bào)的情況，對高重復(fù)度項(xiàng)目仍有必要進(jìn)行自動提醒。

表3 歷史已立項(xiàng)項(xiàng)目庫的文本重復(fù)度情況表 %

近三年未立項(xiàng)項(xiàng)目的文本最大重復(fù)度情況如表4所示，未立項(xiàng)項(xiàng)目的最大重復(fù)度遠(yuǎn)大于已經(jīng)立項(xiàng)項(xiàng)目的重復(fù)度。由此可見，對于通過項(xiàng)目重復(fù)度計(jì)算找出高重復(fù)度項(xiàng)目，為項(xiàng)目評審和管理提供重復(fù)度信息很有必要。

表4 近三年未立項(xiàng)項(xiàng)目的文本最大重復(fù)度情況表 %

3.3 系統(tǒng)界面

基于文本挖掘的分類、相似度計(jì)算等技術(shù)，本文開發(fā)了電力運(yùn)維服務(wù)智能管理系統(tǒng)，該系統(tǒng)實(shí)現(xiàn)了電力運(yùn)維項(xiàng)目自動分類檢查、高文本重復(fù)度提示、格式規(guī)范檢查等功能，系統(tǒng)部分界面如圖5所示。

(a) 項(xiàng)目提交界面

4 結(jié) 語

通過全面分析電力運(yùn)維服務(wù)項(xiàng)目計(jì)劃管理現(xiàn)狀，和對現(xiàn)有問題剖析，結(jié)合目前工作實(shí)施中的痛點(diǎn)和難點(diǎn)，研發(fā)運(yùn)維服務(wù)項(xiàng)目計(jì)劃管理系統(tǒng)。規(guī)范電力運(yùn)維服務(wù)項(xiàng)目計(jì)劃，利用研發(fā)的管理系統(tǒng)實(shí)現(xiàn)項(xiàng)目申報(bào)智能提醒、項(xiàng)目填報(bào)智能提示，對項(xiàng)目管理各個環(huán)節(jié)的行為數(shù)據(jù)進(jìn)行全過程、全流程、全留痕記錄，實(shí)現(xiàn)數(shù)據(jù)的實(shí)時分析、實(shí)時跟蹤、實(shí)時追溯，引入人工智能技術(shù)，切實(shí)提升運(yùn)維服務(wù)項(xiàng)目的水平、質(zhì)量、效率。目前該系統(tǒng)在重慶電力運(yùn)維服務(wù)項(xiàng)目申報(bào)中得到了很好的運(yùn)用，隨著該項(xiàng)目的進(jìn)一步改進(jìn)和完善，將在電力系統(tǒng)中得到更廣泛的應(yīng)用。