基于AI的呼叫电力报修系统设计

汪李忠， 董志会， 马利东

(国网浙江杭州市余杭区供电有限公司，浙江 杭州 311100)

0 引言

人工智能(Artificial Intelligence，AI)技术是一门新的技术科学，主要用于对人的智能理论、方法、技术和应用系统的模拟、延伸和扩展研究[1]。AI属于计算机科学的一部分，主要是通过对智能本质的了解后，创造出一种智能机器，该机器可模拟人类的行为以及受到外界刺激所做出的反应，因而人工智能的应用领域随着理论技术的日益成熟而不断扩大。

电力作为国民经济的支柱型产业，在社会经济发展过程中占据着重要的位置，所以在当下保障电力设施安全，改进电力系统非常重要[2]。虽然近几年电力设施不断完善，电力系统不断升级，但是不能够及时解决电力的问题仍然存在。传统的电力设备报修过程需要由电力中心集中分配处理，工作人员会根据故障发生地点，致电距离较近的维修中心请求协助，而不会择优选择最适合的维修团队进行电力故障抢修[3]，这样的工作模式极大地浪费抢修时间，对正常生产、生活造成了阻碍。因此，需要对电力运营管理系统展开研究，文献[4]提出了一种基于移动Agent的电力调度管理系统，该系统将移动Agent技术与调度管理进行结合，建立模型，实现流程、模块功能等进行详细描述，为实现电力调度过程中的复杂控制和信息交互提供便捷途径。文献[5]提出了一种基于物联网技术的电力运维系统，通过搭建移动运维系统架构,实现了现场运维信息化,并运用优劣解距离法对工单进行自动分配,提高了故障处理的效率,通过运维系统对现场进行实时监控,实现了电力通信接入网的智能化管理。上述系统在应用过程中，容易受到并发用户或者故障数量庞大的影响，降低电力报修及时性。为解决当前智能呼叫电力报修系统存在的问题，本文引入了人工智能技术，利用该技术具有的效率高、精准高、节约人力成本的特点及优势，以期提升电力报修的成功率和效率，降低电力公司客户管理成本和客诉率。

1 基于AI的呼叫电力报修系统

1.1 系统总体架构

与传统的电力报修系统不同，智能呼叫电力报修系统所有的外呼操作都是由AI自动完成，因此电力报修系统的高度智能化是利用人工智能技术解决电力报修的主要难点问题。

由于AI的参与，系统需包含AI的关键能力和训练能力，例如ASR、TTS、NLP等。基于AI的呼叫电力报修系统总体架构由用户层、展现层、应用层、适配层和资源层组成，具体架构如图1所示。

图1 系统总体架构

(1)在该系统中，用户通过浏览器访问展现层来实现信息资源获取和信息交互，这一操作是以用户层为基础的，用户层包含业务运营人员、管理人员和维修人员模块，每个模块对应不同的账号和权限[6]。

(2)面向用户的入口称为展现层，智能呼叫平台是一种网页群体系，包含主页和各级功能页面，用户的相关操作结果可通过其展现。

(3)应用层是系统的重要组成部分，该层可实现信息的处理、管理以及呈现。根据不同功能可将应用层分为系统管理模块和智能呼叫模块，这2个模块之间相互独立又相互影响，能够为整个系统的业务流程正常进行提供保障[7]。

其中，管理模块主要包含参数设置、用户管理、权限设置、数据库管理、公告管理和数据报表，系统管理模块图如图2所示。

图2 系统管理模块图

参数设置：系统参数分为故障类别和报修地点2部分，如果需要对故障类别和报修地点进行增加、删除、修改等操作，可通过参数设置来完成[8]。故障类别主要包括网络故障、电脑主机、显示器、系统应用等方面；报修地点包含办公室、生技部、财资部、营销部、安监部等方面。

用户管理：当需要对各权限用户进行增加、删除、修改等操作，包含登录账号、密码、用户身份、所属部门等。

权限设置：主要设置报修单搜索、故障报修、报修单管理、工程师派单、维修登记和客户评价6个功能，以及数据报表的客户评价汇总、单位报修汇总和故障类型汇总3方面的设置。

数据库管理：包括修改数据库文件名、数据库备份，有手动、自动备份两种[9]。

公告管理：主要用于处理公告信息的增加、删除和修改。

数据报表模块主要分为3方面。

① 故障类型汇总：如果要查询不同时间段电力报修故障类型汇总情况[10]，可通过选择起始日期和截止日期来查询。主要包含常见故障类型的总单数、已处理单数、处理中单数、未处理单数、完成率等。

② 单位报修汇总：如果要查询不同时间段电力报修汇总情况，可通过选择起始日期和截止日期来查询。主要包含总报修单数、总维修费用、已处理总单数、处理中总单数、未处理总单数、完成率等。

③ 客户评价汇总：如果要查询不同时间段客户评价汇总情况，可通过选择起始日期和截止日期来查询。包括未处理的总单数、处理中的总单数、客户满意次数、客户不满意次数、客户未评价次数、客户满意率等内容。

(4)承担与外部进行数据及能力对接的功能层称为适配层。因电力设备较多且故障类型复杂多样，所以智能呼叫系统的数据来源不同，不同数据需要应用不同的对接口，所以适配层主要起到过渡作用，对上汇总数据，对下合理分配数据。所以适配层可分为数据适配和功能适配两部分。数据适配包含报表接口和数据库接口；能力适配包含呼叫接口和录音接口。

(5)底层的支撑设备称为资源层，主要作用是为整个系统提供基本支撑，包含服务器、存储设备、安全设备、网络设备等。

1.2 基于循环神经网络的智能呼叫

智能呼叫模块处于系统应用层，采用循环神经网络实现系统故障的智能报修呼叫。循环神经网络由3部分组成，分别为输入层、隐藏层和输出层。循环神经网络的结构如图3所示。

图3 循环神经网络的结构

从图3中可以看出循环神经网络不仅层与层之间有连接，层内也可增加连接，这一特点使循环神经网络可在时间域上累积，从而能够实现对序列数据相关的学习任务进行处理。

循环神经网络在时间域上的展开如图4所示。

图4 循环神经网络在时间域上的展开

分析图4可知，循环神经网络的当前每一时刻的信息都含有之前若干时刻的信息，当循环神经网络向前传播时，按照时间的顺序进行顺次计算；当循环神经网络向后传播时，那么要从最后一个时刻的梯度开始一层层向前积累。

循环神经网络向前传播的形式化表示如式(1)。

(1)

向后传播的形式化表示如式(2)。

(2)

式中，求和计算的值用a表示；激活函数用θ表示；激活函数的激活值用b表示；损失函数用L表示；梯度用δ表示；求偏导用表示；隐藏层用h表示；隐藏层层数用H表示；隐藏层节点数量用h表示；输入层层数用T表示；输入层用t表示；输出层用k表示；输出层层数用K表示；层间相连的2个节点的序号用i和j表示；权重用w表示；循环神经网络的输入层、输出层以及隐藏层的输出误差分别用wlh、wlJ、whk表示；循环神经网络的交叉熵误差用wh′h表示。

循环神经网络允许前一刻的输出与相应的权重相乘，然后通过激活函数所得的输出作为当前时刻的输入。所以循环神经网络中当前时刻的特征会包含之前几个时刻的特征，所以在序列数据建模方面循环神经网络的能力优于其他神经网络。

将该网络应用至智能呼叫模块设计中，当序列数据存在异常，会将此信息迅速反馈给智能呼叫模块，该模块会立即执行智能呼叫操作，并根据信息反馈结果实现电力报修，因此利用该模块可以有效提升电力报修成功率和效率，降低电力公司客户管理成本和客诉率。

2 实验分析

选取某省的某电力公司为研究对象，将该电力公司某段时间内的数据作为实验样本数据。其中测试环境如表1所示。

表1 测试环境

测试本文所设计的基于AI的呼叫电力报修系统的整体性能。其中该电力公司常见的故障类型分别有电表损坏、线路损坏、接头氧化故障、线路漏电和线路短路5种。

2.1 可行性测试

为验证本文系统的电力报修效果，选取研究对象的5种不同类型的故障进行测试，并采用文献[4]系统和文献[5]系统作为本文系统的对比系统，测试3种系统是否可准确完成所有故障类型的电力报修，结果如表2所示。

表2 3种系统故障报修结果

分析表2可知，本文系统可完成所有故障类型的报修，而另2种对比系统均存在无法识别故障的情况，导致二者均存在故障漏报的问题，这说明本文系统具有可行性。

2.2 系统报修成功率测试

测试3种系统在不同使用人数条件下，报修的成功率，其中，报修成功率=报修成功事件数量/电力线路故障事件总量×100%。

3种系统报修成功率对比结果如表3所示。

分析表3可知，随着系统使用人数的增加，本文系统的报修成功率呈小幅度降低趋势，但当系统使用人数达到100人时，本文系统的报修成功率在95%以上；而另2种对比系统的报修成功率随着人数的增加大幅度下降，当使用人数为100人时，文献[4]系统的报修成功率仅为70.5%，文献[5]系统仅为60.4%，文献[5]系统在使用人数较多时，报修成功率变化波动较为显著，稳定性较差。实验结果说明本文系统的报修成功率较高，再次验证了该系统具备较好的报修效果。

表3 3种系统报修成功率对比结果

2.3 系统运行效率

为测试本文系统的运行效率，测试3种系统在不同电力线路故障数量情况下的系统运行效率。其中，在电力线路故障数量相同的情况下，报修耗时越短，系统运行效率越高，结果如图5所示。

图5 不同电力线路故障数量的报修所需时间

分析图5可知，随着故障数量的增加，本文系统的报修耗时相差不大，波动较小；另2种对比系统则在故障数量增加的情况下，报修耗时大幅度增加，这说明本文系统不受故障数量的影响，具备较好的运行性能。

2.4 系统的压力测试

系统压力的优劣决定着系统承受服务限度峰值。一般情况下，系统的理想服务限度峰值为：报修请求平均响应时间<35 ms，最高响应时间<55 ms。测试在不同数量的并发用户的情况下，3种系统的压力测试结果如图6所示。

图6 3种系统的压力测试结果

分析图6可知，本文系统的报修请求平均响应时间大致为33.4 ms，最高响应值为45 ms，该结果符合系统的理想服务限度峰值；另2种对比系统的最高响应值分别为56 ms和59 ms，高于本文系统，这说明本文系统压力性能较好，在并发用户数量增加情况下，均可快速响应报修请求。

2.5 系统抗干扰性能测试

为验证系统的抗干扰性能，在100 dB噪声情况下及没有噪声的情况下，统计3种系统的接头氧化故障报修所需时间，结果如表4所示。

表4 3种系统的报修所需时间对比结果

分析表4可以看出，本文系统在没有噪声干扰和100 dB噪声情况下，接头氧化故障报修所需时间相差极小，另外2种对比系统在有无噪声干扰情况下的报修所需时间变化较大，且均高于本文系统，说明本文系统故障报修时间较少，同时噪声对于本文系统的报修性能影响可忽略不计，证明本文系统抗干扰性能较好。

2.6 应用性测试

测试3种系统应用前后，电力公司对不同用户的管理成本，结果如表5所示。

表5 管理成本统计结果

分析表5可知，电力公司使用本文系统后，客户管理成本比使用本文系统前大幅度降低；另2种对比方法的用户管理成本也有一定幅度的降低，但是降低幅度小于本文系统，这说明本文系统可有效降低电力公司客户关系的管理成本。

客户投诉率是衡量电力公司运营质量的一项标准，测试电力公司应用本文系统后6个月内的客诉率。并对比之前同月份应用本文系统前的客诉率变化，结果如表6所示。

表6 客诉率变化

分析表6可知，使用本文系统后，客诉率大幅度降低，由于本文系统可快速完成电力故障报修，避免传统人工故障报修的弊端。本文系统在电力故障产生后，采用智能呼叫可直接呼叫故障处理等相关部门，无须人员现场记录、申请、报修，可极大缩短报修时间，提高故障处理效率，因此客诉率降低。

2.7 用户使用满意度调查

为进一步验证本文系统优势，统计200名用户使用3种系统后的整体反馈情况，其结果如表7所示。

表7 3种系统满意率对比

分析表7可知，用户使用本文系统后的各项满意度较高，在使用性好评率、系统响应速率以及用户对系统的满意程度方面均达到98%以上；文献[5]系统各评价结果均未超过90%；文献[4]系统好评率适中，这主要是由于将这2种对比系统用于电力报修过程中，无法实现智能呼叫，虽在一定程度上可以提升报修效率，但是相对于本文系统来说，仍是存在性能欠缺，因此这2种系统的用户体验不佳。

3 总结

本文研究基于AI的呼叫电力报修系统，用于提升电力故障报修效率，经试验表明结果如下。

(1)本文系统的报修成功率较高，具备较好的报修效果，并且不受故障数量的影响，具备较好的运行性能。

(2)本文系统的压力性能较好，且能够实现存在大量并发用户使用情况下，可快速响应报修请求。

(3)本文系统的抗干扰性能较好，不受噪声影响。

(4)本文系统具备良好的应用性能，在电力公司应用后，可降低电力公司的客户管理成本以及客诉率，并且用户使用满意度较高。

(5)在以后的研究中，将进一步根据客户的建议反馈进行换代升级。