基于AI的呼叫電力報修系統設計

汪李忠， 董志會， 馬利東

(國網浙江杭州市余杭區供電有限公司，浙江 杭州 311100)

0 引言

人工智能(Artificial Intelligence，AI)技術是一門新的技術科學，主要用于對人的智能理論、方法、技術和應用系統的模擬、延伸和擴展研究[1]。AI屬于計算機科學的一部分，主要是通過對智能本質的了解后，創造出一種智能機器，該機器可模擬人類的行為以及受到外界刺激所做出的反應，因而人工智能的應用領域隨著理論技術的日益成熟而不斷擴大。

電力作為國民經濟的支柱型產業，在社會經濟發展過程中占據著重要的位置，所以在當下保障電力設施安全，改進電力系統非常重要[2]。雖然近幾年電力設施不斷完善，電力系統不斷升級，但是不能夠及時解決電力的問題仍然存在。傳統的電力設備報修過程需要由電力中心集中分配處理，工作人員會根據故障發生地點，致電距離較近的維修中心請求協助，而不會擇優選擇最適合的維修團隊進行電力故障搶修[3]，這樣的工作模式極大地浪費搶修時間，對正常生產、生活造成了阻礙。因此，需要對電力運營管理系統展開研究，文獻[4]提出了一種基于移動Agent的電力調度管理系統，該系統將移動Agent技術與調度管理進行結合，建立模型，實現流程、模塊功能等進行詳細描述，為實現電力調度過程中的復雜控制和信息交互提供便捷途徑。文獻[5]提出了一種基于物聯網技術的電力運維系統，通過搭建移動運維系統架構,實現了現場運維信息化,并運用優劣解距離法對工單進行自動分配,提高了故障處理的效率,通過運維系統對現場進行實時監控,實現了電力通信接入網的智能化管理。上述系統在應用過程中，容易受到并發用戶或者故障數量龐大的影響，降低電力報修及時性。為解決當前智能呼叫電力報修系統存在的問題，本文引入了人工智能技術，利用該技術具有的效率高、精準高、節約人力成本的特點及優勢，以期提升電力報修的成功率和效率，降低電力公司客戶管理成本和客訴率。

1 基于AI的呼叫電力報修系統

1.1 系統總體架構

與傳統的電力報修系統不同，智能呼叫電力報修系統所有的外呼操作都是由AI自動完成，因此電力報修系統的高度智能化是利用人工智能技術解決電力報修的主要難點問題。

由于AI的參與，系統需包含AI的關鍵能力和訓練能力，例如ASR、TTS、NLP等。基于AI的呼叫電力報修系統總體架構由用戶層、展現層、應用層、適配層和資源層組成，具體架構如圖1所示。

圖1 系統總體架構

(1)在該系統中，用戶通過瀏覽器訪問展現層來實現信息資源獲取和信息交互，這一操作是以用戶層為基礎的，用戶層包含業務運營人員、管理人員和維修人員模塊，每個模塊對應不同的賬號和權限[6]。

(2)面向用戶的入口稱為展現層，智能呼叫平臺是一種網頁群體系，包含主頁和各級功能頁面，用戶的相關操作結果可通過其展現。

(3)應用層是系統的重要組成部分，該層可實現信息的處理、管理以及呈現。根據不同功能可將應用層分為系統管理模塊和智能呼叫模塊，這2個模塊之間相互獨立又相互影響，能夠為整個系統的業務流程正常進行提供保障[7]。

其中，管理模塊主要包含參數設置、用戶管理、權限設置、數據庫管理、公告管理和數據報表，系統管理模塊圖如圖2所示。

圖2 系統管理模塊圖

參數設置：系統參數分為故障類別和報修地點2部分，如果需要對故障類別和報修地點進行增加、刪除、修改等操作，可通過參數設置來完成[8]。故障類別主要包括網絡故障、電腦主機、顯示器、系統應用等方面；報修地點包含辦公室、生技部、財資部、營銷部、安監部等方面。

用戶管理：當需要對各權限用戶進行增加、刪除、修改等操作，包含登錄賬號、密碼、用戶身份、所屬部門等。

權限設置：主要設置報修單搜索、故障報修、報修單管理、工程師派單、維修登記和客戶評價6個功能，以及數據報表的客戶評價匯總、單位報修匯總和故障類型匯總3方面的設置。

數據庫管理：包括修改數據庫文件名、數據庫備份，有手動、自動備份兩種[9]。

公告管理：主要用于處理公告信息的增加、刪除和修改。

數據報表模塊主要分為3方面。

① 故障類型匯總：如果要查詢不同時間段電力報修故障類型匯總情況[10]，可通過選擇起始日期和截止日期來查詢。主要包含常見故障類型的總單數、已處理單數、處理中單數、未處理單數、完成率等。

② 單位報修匯總：如果要查詢不同時間段電力報修匯總情況，可通過選擇起始日期和截止日期來查詢。主要包含總報修單數、總維修費用、已處理總單數、處理中總單數、未處理總單數、完成率等。

③ 客戶評價匯總：如果要查詢不同時間段客戶評價匯總情況，可通過選擇起始日期和截止日期來查詢。包括未處理的總單數、處理中的總單數、客戶滿意次數、客戶不滿意次數、客戶未評價次數、客戶滿意率等內容。

(4)承擔與外部進行數據及能力對接的功能層稱為適配層。因電力設備較多且故障類型復雜多樣，所以智能呼叫系統的數據來源不同，不同數據需要應用不同的對接口，所以適配層主要起到過渡作用，對上匯總數據，對下合理分配數據。所以適配層可分為數據適配和功能適配兩部分。數據適配包含報表接口和數據庫接口；能力適配包含呼叫接口和錄音接口。

(5)底層的支撐設備稱為資源層，主要作用是為整個系統提供基本支撐，包含服務器、存儲設備、安全設備、網絡設備等。

1.2 基于循環神經網絡的智能呼叫

智能呼叫模塊處于系統應用層，采用循環神經網絡實現系統故障的智能報修呼叫。循環神經網絡由3部分組成，分別為輸入層、隱藏層和輸出層。循環神經網絡的結構如圖3所示。

圖3 循環神經網絡的結構

從圖3中可以看出循環神經網絡不僅層與層之間有連接，層內也可增加連接，這一特點使循環神經網絡可在時間域上累積，從而能夠實現對序列數據相關的學習任務進行處理。

循環神經網絡在時間域上的展開如圖4所示。

圖4 循環神經網絡在時間域上的展開

分析圖4可知，循環神經網絡的當前每一時刻的信息都含有之前若干時刻的信息，當循環神經網絡向前傳播時，按照時間的順序進行順次計算；當循環神經網絡向后傳播時，那么要從最后一個時刻的梯度開始一層層向前積累。

循環神經網絡向前傳播的形式化表示如式(1)。

(1)

向后傳播的形式化表示如式(2)。

(2)

式中，求和計算的值用a表示；激活函數用θ表示；激活函數的激活值用b表示；損失函數用L表示；梯度用δ表示；求偏導用表示；隱藏層用h表示；隱藏層層數用H表示；隱藏層節點數量用h表示；輸入層層數用T表示；輸入層用t表示；輸出層用k表示；輸出層層數用K表示；層間相連的2個節點的序號用i和j表示；權重用w表示；循環神經網絡的輸入層、輸出層以及隱藏層的輸出誤差分別用wlh、wlJ、whk表示；循環神經網絡的交叉熵誤差用wh′h表示。

循環神經網絡允許前一刻的輸出與相應的權重相乘，然后通過激活函數所得的輸出作為當前時刻的輸入。所以循環神經網絡中當前時刻的特征會包含之前幾個時刻的特征，所以在序列數據建模方面循環神經網絡的能力優于其他神經網絡。

將該網絡應用至智能呼叫模塊設計中，當序列數據存在異常，會將此信息迅速反饋給智能呼叫模塊，該模塊會立即執行智能呼叫操作，并根據信息反饋結果實現電力報修，因此利用該模塊可以有效提升電力報修成功率和效率，降低電力公司客戶管理成本和客訴率。

2 實驗分析

選取某省的某電力公司為研究對象，將該電力公司某段時間內的數據作為實驗樣本數據。其中測試環境如表1所示。

表1 測試環境

測試本文所設計的基于AI的呼叫電力報修系統的整體性能。其中該電力公司常見的故障類型分別有電表損壞、線路損壞、接頭氧化故障、線路漏電和線路短路5種。

2.1 可行性測試

為驗證本文系統的電力報修效果，選取研究對象的5種不同類型的故障進行測試，并采用文獻[4]系統和文獻[5]系統作為本文系統的對比系統，測試3種系統是否可準確完成所有故障類型的電力報修，結果如表2所示。

表2 3種系統故障報修結果

分析表2可知，本文系統可完成所有故障類型的報修，而另2種對比系統均存在無法識別故障的情況，導致二者均存在故障漏報的問題，這說明本文系統具有可行性。

2.2 系統報修成功率測試

測試3種系統在不同使用人數條件下，報修的成功率，其中，報修成功率=報修成功事件數量/電力線路故障事件總量×100%。

3種系統報修成功率對比結果如表3所示。

分析表3可知，隨著系統使用人數的增加，本文系統的報修成功率呈小幅度降低趨勢，但當系統使用人數達到100人時，本文系統的報修成功率在95%以上；而另2種對比系統的報修成功率隨著人數的增加大幅度下降，當使用人數為100人時，文獻[4]系統的報修成功率僅為70.5%，文獻[5]系統僅為60.4%，文獻[5]系統在使用人數較多時，報修成功率變化波動較為顯著，穩定性較差。實驗結果說明本文系統的報修成功率較高，再次驗證了該系統具備較好的報修效果。

表3 3種系統報修成功率對比結果

2.3 系統運行效率

為測試本文系統的運行效率，測試3種系統在不同電力線路故障數量情況下的系統運行效率。其中，在電力線路故障數量相同的情況下，報修耗時越短，系統運行效率越高，結果如圖5所示。

圖5 不同電力線路故障數量的報修所需時間

分析圖5可知，隨著故障數量的增加，本文系統的報修耗時相差不大，波動較小；另2種對比系統則在故障數量增加的情況下，報修耗時大幅度增加，這說明本文系統不受故障數量的影響，具備較好的運行性能。

2.4 系統的壓力測試

系統壓力的優劣決定著系統承受服務限度峰值。一般情況下，系統的理想服務限度峰值為：報修請求平均響應時間<35 ms，最高響應時間<55 ms。測試在不同數量的并發用戶的情況下，3種系統的壓力測試結果如圖6所示。

圖6 3種系統的壓力測試結果

分析圖6可知，本文系統的報修請求平均響應時間大致為33.4 ms，最高響應值為45 ms，該結果符合系統的理想服務限度峰值；另2種對比系統的最高響應值分別為56 ms和59 ms，高于本文系統，這說明本文系統壓力性能較好，在并發用戶數量增加情況下，均可快速響應報修請求。

2.5 系統抗干擾性能測試

為驗證系統的抗干擾性能，在100 dB噪聲情況下及沒有噪聲的情況下，統計3種系統的接頭氧化故障報修所需時間，結果如表4所示。

表4 3種系統的報修所需時間對比結果

分析表4可以看出，本文系統在沒有噪聲干擾和100 dB噪聲情況下，接頭氧化故障報修所需時間相差極小，另外2種對比系統在有無噪聲干擾情況下的報修所需時間變化較大，且均高于本文系統，說明本文系統故障報修時間較少，同時噪聲對于本文系統的報修性能影響可忽略不計，證明本文系統抗干擾性能較好。

2.6 應用性測試

測試3種系統應用前后，電力公司對不同用戶的管理成本，結果如表5所示。

表5 管理成本統計結果

分析表5可知，電力公司使用本文系統后，客戶管理成本比使用本文系統前大幅度降低；另2種對比方法的用戶管理成本也有一定幅度的降低，但是降低幅度小于本文系統，這說明本文系統可有效降低電力公司客戶關系的管理成本。

客戶投訴率是衡量電力公司運營質量的一項標準，測試電力公司應用本文系統后6個月內的客訴率。并對比之前同月份應用本文系統前的客訴率變化，結果如表6所示。

表6 客訴率變化

分析表6可知，使用本文系統后，客訴率大幅度降低，由于本文系統可快速完成電力故障報修，避免傳統人工故障報修的弊端。本文系統在電力故障產生后，采用智能呼叫可直接呼叫故障處理等相關部門，無須人員現場記錄、申請、報修，可極大縮短報修時間，提高故障處理效率，因此客訴率降低。

2.7 用戶使用滿意度調查

為進一步驗證本文系統優勢，統計200名用戶使用3種系統后的整體反饋情況，其結果如表7所示。

表7 3種系統滿意率對比

分析表7可知，用戶使用本文系統后的各項滿意度較高，在使用性好評率、系統響應速率以及用戶對系統的滿意程度方面均達到98%以上；文獻[5]系統各評價結果均未超過90%；文獻[4]系統好評率適中，這主要是由于將這2種對比系統用于電力報修過程中，無法實現智能呼叫，雖在一定程度上可以提升報修效率，但是相對于本文系統來說，仍是存在性能欠缺，因此這2種系統的用戶體驗不佳。

3 總結

本文研究基于AI的呼叫電力報修系統，用于提升電力故障報修效率，經試驗表明結果如下。

(1)本文系統的報修成功率較高，具備較好的報修效果，并且不受故障數量的影響，具備較好的運行性能。

(2)本文系統的壓力性能較好，且能夠實現存在大量并發用戶使用情況下，可快速響應報修請求。

(3)本文系統的抗干擾性能較好，不受噪聲影響。

(4)本文系統具備良好的應用性能，在電力公司應用后，可降低電力公司的客戶管理成本以及客訴率，并且用戶使用滿意度較高。

(5)在以后的研究中，將進一步根據客戶的建議反饋進行換代升級。