CN109711616A - 一种基于大数据的全能型供电所人员优化配置的系统 - Google Patents

Abstract

本发明公开了一种基于大数据的全能型供电所人员优化配置的系统，涉及电力管理技术领域；其包括员工信息采集模块、设备资产信息采集模块、业务信息采集模块、员工综合评价模块、员工业务分配模块和员工推荐模块，依据业务信息采集模块和员工综合评价模块，所述员工推荐模块，依据业务信息采集模块和员工综合评价模块，采用基于协同过滤的推荐算法，自动推荐出适合每一任务的员工；其通过计算机、互联网、员工信息采集模块、设备资产信息采集模块、业务信息采集模块、员工综合评价模块、员工业务分配模块和员工推荐模块等，实现了减少客户等待时间，增加了客户满意度，合理调配了供电所员工。

Description

一种基于大数据的全能型供电所人员优化配置的系统

技术领域

本发明涉及电力管理技术领域，尤其涉及一种基于大数据的全能型供电所人员优化配置的系统。

背景技术

协同过滤的推荐算法介绍：

推荐算法具有非常多的应用场景和商业价值，因此对推荐算法值得好好研究。推荐算法种类很多，但是目前应用最广泛的应该是协同过滤类别的推荐算法，本文就对协同过滤类别的推荐算法做一个概括总结，后续也会对一些典型的协同过滤推荐算法做原理总结。

1.推荐算法概述

推荐算法是非常古老的，在机器学习还没有兴起的时候就有需求和应用了。概括来说，可以分为以下五种：

1）基于内容的推荐：这一类一般依赖于自然语言处理NLP的一些知识，通过挖掘文本的TF-IDF特征向量，来得到用户的偏好，进而做推荐。这类推荐算法可以找到用户独特的小众喜好，而且还有较好的解释性。这一类由于需要NLP的基础。

2）协调过滤推荐：协调过滤是推荐算法中目前最主流的种类，花样繁多，在工业界已经有了很多广泛的应用。它的优点是不需要太多特定领域的知识，可以通过基于统计的机器学习算法来得到较好的推荐效果。最大的优点是工程上容易实现，可以方便应用到产品中。目前绝大多数实际应用的推荐算法都是协同过滤推荐算法。

3）混合推荐：这个类似我们机器学习中的集成学习，博才众长，通过多个推荐算法的结合，得到一个更好的推荐算法，起到三个臭皮匠顶一个诸葛亮的作用。比如通过建立多个推荐算法的模型，最后用投票法决定最终的推荐结果。混合推荐理论上不会比单一任何一种推荐算法差，但是使用混合推荐，算法复杂度就提高了，在实际应用中有使用，但是并没有单一的协调过滤推荐算法，比如逻辑回归之类的二分类推荐算法广泛。

4）基于规则的推荐：这类算法常见的比如基于最多用户点击，最多用户浏览等，属于大众型的推荐方法，在目前的大数据时代并不主流。

5）基于人口统计信息的推荐：这一类是最简单的推荐算法了，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后进行推荐，目前在大型系统中已经较少使用。

2.协调过滤推荐概述

协同过滤即Collaborative Filtering，作为推荐算法中最经典的类型，包括在线的协同和离线的过滤两部分。所谓在线协同，就是通过在线数据找到用户可能喜欢的物品，而离线过滤，则是过滤掉一些不值得推荐的数据，比比如推荐值评分低的数据，或者虽然推荐值高但是用户已经购买的数据。

协同过滤的模型一般为m个物品，m个用户的数据，只有部分用户和部分数据之间是有评分数据的，其它部分评分是空白，此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系，找到最高评分的物品推荐给用户。

一般来说，协同过滤推荐分为三种类型。第一种是基于用户即user-based的协同过滤，第二种是基于项目即item-based的协同过滤，第三种是基于模型即model based的协同过滤。

基于用户即user-based的协同过滤主要考虑的是用户和用户之间的相似度，只要找出相似用户喜欢的物品，并预测目标用户对对应物品的评分，就可以找到评分最高的若干个物品推荐给用户。而基于项目即item-based的协同过滤和基于用户的协同过滤类似，只不过这时我们转向找到物品和物品之间的相似度，只有找到了目标用户对某些物品的评分，那么我们就可以对相似度高的类似物品进行预测，将评分最高的若干个相似物品推荐给用户。比如你在网上买了一本机器学习相关的书，网站马上会推荐一堆机器学习，大数据相关的书给你，这里就明显用到了基于项目的协同过滤思想。

我们可以简单比较下基于用户的协同过滤和基于项目的协同过滤：基于用户的协同过滤需要在线找用户和用户之间的相似度关系，计算复杂度肯定会比基于项目的协同过滤高。但是可以帮助用户找到新类别的有惊喜的物品。而基于项目的协同过滤，由于考虑的物品的相似性一段时间不会改变，因此可以很容易的离线计算，准确度一般也可以接受，但是推荐的多样性来说，就很难带给用户惊喜了。一般对于小型的推荐系统来说，基于项目的协同过滤肯定是主流。但是如果是大型的推荐系统来说，则可以考虑基于用户的协同过滤，当然更加可以考虑我们的第三种类型，基于模型的协同过滤。

基于模型即model based的协同过滤是目前最主流的协同过滤类型了，我们的一大堆机器学习算法也可以在这里找到用武之地。下面我们就重点介绍基于模型的协同过滤。

3.基于模型的协同过滤

基于模型的协同过滤作为目前最主流的协同过滤类型，其相关算法可以写一本书了，当然我们这里主要是对其思想做有一个归类概括。我们的问题是这样的m个物品，m个用户的数据，只有部分用户和部分数据之间是有评分数据的，其它部分评分是空白，此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系，找到最高评分的物品推荐给用户。

对于这个问题，用机器学习的思想来建模解决，主流的方法可以分为：用关联算法，聚类算法，分类算法，回归算法，矩阵分解，神经网络,图模型以及隐语义模型来解决。

3.1用关联算法做协同过滤

一般我们可以找出用户购买的所有物品数据里频繁出现的项集活序列，来做频繁集挖掘，找到满足支持度阈值的关联物品的频繁N项集或者序列。如果用户购买了频繁N项集或者序列里的部分物品，那么我们可以将频繁项集或序列里的其他物品按一定的评分准则推荐给用户，这个评分准则可以包括支持度，置信度和提升度等。

常用的关联推荐算法有Apriori，FP Tree和PrefixSpan。

3.2用聚类算法做协同过滤

用聚类算法做协同过滤就和前面的基于用户或者项目的协同过滤有些类似了。我们可以按照用户或者按照物品基于一定的距离度量来进行聚类。如果基于用户聚类，则可以将用户按照一定距离度量方式分成不同的目标人群，将同样目标人群评分高的物品推荐给目标用户。基于物品聚类的话，则是将用户评分高物品的相似同类物品推荐给用户。

常用的聚类推荐算法有K-Means, BIRCH, DBSCAN和谱聚类。

3.3用分类算法做协同过滤

如果我们根据用户评分的高低，将分数分成几段的话，则这个问题变成分类问题。比如最直接的，设置一份评分阈值，评分高于阈值的就是推荐，评分低于阈值就是不推荐，我们将问题变成了一个二分类问题。虽然分类问题的算法多如牛毛，但是目前使用最广泛的是逻辑回归。为啥是逻辑回归而不是看起来更加高大上的比如支持向量机呢。因为逻辑回归的解释性比较强，每个物品是否推荐我们都有一个明确的概率放在这，同时可以对数据的特征做工程化，得到调优的目的。目前逻辑回归做协同过滤在BAT等大厂已经非常成熟了。

常见的分类推荐算法有逻辑回归和朴素贝叶斯，两者的特点是解释性很强。

3.4用回归算法做协同过滤

用回归算法做协同过滤比分类算法看起来更加的自然。我们的评分可以是一个连续的值而不是离散的值，通过回归模型我们可以得到目标用户对某商品的预测打分。

常用的回归推荐算法有Ridge回归，回归树和支持向量回归。

3.5用矩阵分解做协同过滤

用矩阵分解做协同过滤是目前使用也很广泛的一种方法。由于传统的奇异值分解SVD要求矩阵不能有缺失数据，必须是稠密的，而我们的用户物品评分矩阵是一个很典型的稀疏矩阵，直接使用传统的SVD到协同过滤是比较复杂的。

目前主流的矩阵分解推荐算法主要是SVD的一些变种，比如FunkSVD，BiasSVD和SVD++。这些算法和传统SVD的最大区别是不再要求将矩阵分解为UΣVTUΣVT的形式，而变是两个低秩矩阵PTQPTQ的乘积形式。

3.6用神经网络做协同过滤

用神经网络乃至深度学习做协同过滤应该是以后的一个趋势。目前比较主流的用两层神经网络来做推荐算法的是限制玻尔兹曼机即RBM。在目前的Netflix算法比赛中，RBM算法的表现很牛。当然如果用深层的神经网络来做协同过滤应该会更好，大厂商用深度学习的方法来做协同过滤应该是将来的一个趋势。

3.7用图模型做协同过滤

用图模型做协同过滤，则将用户之间的相似度放到了一个图模型里面去考虑，常用的算法是SimRank系列算法和马尔科夫模型算法。对于SimRank系列算法，它的基本思想是被相似对象引用的两个对象也具有相似性。算法思想有点类似于大名鼎鼎的PageRank。而马尔科夫模型算法当然是基于马尔科夫链了，它的基本思想是基于传导性来找出普通距离度量算法难以找出的相似性。后续我会专门开篇来讲讲SimRank系列算法。

3.8用隐语义模型做协同过滤

隐语义模型主要是基于NLP的，涉及到对用户行为的语义分析来做评分推荐，主要方法有隐性语义分析LSA和隐含狄利克雷分布LDA。

4.协同过滤的一些新方向

当然推荐算法的变革也在进行中，就算是最火爆的基于逻辑回归推荐算法也在面临被取代。哪些算法可能取代逻辑回归之类的传统协同过滤呢。下面是我的理解：

a)基于集成学习的方法和混合推荐：这个和混合推荐也靠在一起了。由于集成学习的成熟，在推荐算法上也有较好的表现。一个可能取代逻辑回归的算法是GBDT。目前GBDT在很多算法比赛都有好的表现，而有工业级的并行化实现类库。

b)基于矩阵分解的方法：矩阵分解，由于方法简单，一直受到青睐。目前开始渐渐流行的矩阵分解方法有分解机即Factorization Machine和张量分解即TensorFactorization。

c)基于深度学习的方法：目前两层的神经网络RBM都已经有非常好的推荐算法效果，而随着深度学习和多层神经网络的兴起，以后可能推荐算法就是深度学习的天下了。

5.协同过滤总结

协同过滤作为一种经典的推荐算法种类，在工业界应用广泛，它的优点很多，模型通用性强，不需要太多对应数据领域的专业知识，工程实现简单，效果也不错。这些都是它流行的原因。

当然，协同过滤也有些难以避免的难题，比如令人头疼的“冷启动”问题，我们没有新用户任何数据的时候，无法较好的为新用户推荐物品。同时也没有考虑情景的差异，比如根据用户所在的场景和用户当前的情绪。当然，也无法得到一些小众的独特喜好，这块是基于内容的推荐比较擅长的。

现有技术问题及思考：

目前，供电所退休人数逐年增多且老龄化严重，面对供电所日常业务越来越智能化，员工有些力不从心。

在大集、过年过节外出打工人员返乡、夏冬季用电高峰期、月末清缴电费、雷电恶劣天气等特殊情况下，供电所需要配置足够内外勤人员满足客户需求及完成相关业务。

供电所运行系统逐渐增多，相关科室会举办培训让供电所专责掌握系统新增内容，及市县公司也不定期组织员工进行培训，培训期和所内业务办理期冲突。

供电所直接与客户接触，其服务优劣直接影响国家电网公司企业形象。

针对上述状况，在满足全能型供电所内、外勤各项业务有条不紊运行、稳定持续运行前提下，减少客户等待时间、增加客户满意度，合理调配供电所员工成为亟待解决的问题。

发明内容

本发明所要解决的技术问题是提供一种基于大数据的全能型供电所人员优化配置的系统，其通过计算机、互联网、员工信息采集模块、设备资产信息采集模块、业务信息采集模块、员工综合评价模块、员工业务分配模块和员工推荐模块等，实现了减少客户等待时间，增加了客户满意度，合理调配了供电所员工。

为解决上述技术问题，本发明所采取的技术方案是：依托计算机和互联网，包括员工信息采集模块、设备资产信息采集模块、业务信息采集模块、员工综合评价模块、员工业务分配模块和员工推荐模块，依据业务信息采集模块和员工综合评价模块，所述员工推荐模块，依据业务信息采集模块和员工综合评价模块，采用基于协同过滤的推荐算法，自动推荐出适合每一任务的员工。

进一步的技术方案在于：所述员工信息采集模块，根据全能型供电所员工档案信息及历年体检结果将员工基本信息存入数据库形成全能型供电所的员工信息数据库。

进一步的技术方案在于：所述设备资产信息采集模块，将设备资产运维精益管理系统统计的供电所管辖范围内的设备资产信息数字化并形成全能型供电所的设备资产信息数据库。

进一步的技术方案在于：所述业务信息采集模块，采集全能型供电所内、外勤班日常处理内容以及特殊情况需要处理内容，形成全能型供电所的业务信息内容。

进一步的技术方案在于：所述员工综合评价模块，以员工信息采集模块采集的员工基本信息，利用层次分析法对员工综合素质能力进行综合评价。

进一步的技术方案在于：所述员工业务分配模块，外勤班员工业务分析：通过聚类、拓扑及灰色关联将设备资产信息划分出低压、高压区域，根据员工职责、员工综合素质评价值及地理信息分析员工家庭住址与对应资产数据区域相对位置远近将员工与资产数据区域形成至少二对一的映射关系；内勤班员工业务分析：根据全能型供电所员工要一专多能的要求及员工综合素质评价值将每项业务至少分配给两名员工。

进一步的技术方案在于：所述员工信息采集模块中，所述员工基本信息包括年龄、性别、工作年限、教育程度、专业特长和健康状况。

进一步的技术方案在于：所述设备资产信息采集模块中，所述设备资产信息包括线路设备和低压设备。

进一步的技术方案在于：所述业务信息采集模块中，所述业务信息内容包括外勤班电力安全生产业务中配电设备管理、设备巡视、缺陷处理、重过载处理、95598故障抢修、安全风险管控、工器具管理、周月工作计划和内勤班营销服务业务中抄表、收费、开票、95598工单、业扩报装、客户走访、线损分析、计量装置管理和稽查工单的任务，每一任务与另一任务之间为并行任务。

进一步的技术方案在于：还包括显示模块，通过计算机的显示器来显示每一任务以及对应员工的信息。

采用上述技术方案所产生的有益效果在于：

实现了减少客户等待时间，增加了客户满意度，合理调配了供电所员工。详见实施例部分描述。

附图说明

图1是本发明的流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述做出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。

实施例1：

本发明公开了一种基于大数据的全能型供电所人员优化配置的系统，其依托计算机和互联网，包括员工信息采集模块、设备资产信息采集模块、业务信息采集模块、员工综合评价模块、员工业务分配模块和员工推荐模块，依据业务信息采集模块和员工综合评价模块，采用基于协同过滤的推荐算法，自动推荐出适合每一任务的员工。

所述员工信息采集模块，根据全能型供电所员工档案信息及历年体检结果将员工基本信息存入数据库形成全能型供电所的员工信息数据库，所述员工基本信息包括年龄、性别、工作年限、教育程度、专业特长和健康状况。

所述设备资产信息采集模块，将设备资产运维精益管理系统统计的供电所管辖范围内的设备资产信息数字化并形成全能型供电所的设备资产信息数据库，所述设备资产信息包括线路设备和低压设备。

所述业务信息采集模块，采集全能型供电所内、外勤班日常处理内容以及特殊情况需要处理内容，形成全能型供电所的业务信息内容，所述业务信息内容包括外勤班电力安全生产业务中配电设备管理、设备巡视、缺陷处理、重过载处理、95598故障抢修、安全风险管控、工器具管理、周月工作计划和内勤班营销服务业务中抄表、收费、开票、95598工单、业扩报装、客户走访、线损分析、计量装置管理和稽查工单的任务，每一任务与另一任务之间为并行任务。

所述员工综合评价模块，以员工信息采集模块采集的员工基本信息，利用层次分析法对员工综合素质能力进行综合评价。

所述员工业务分配模块，外勤班员工业务分析：通过聚类、拓扑及灰色关联将设备资产信息划分出低压、高压区域，根据员工职责、员工综合素质评价值及地理信息分析员工家庭住址与对应资产数据区域相对位置远近将员工与资产数据区域形成至少二对一的映射关系；内勤班员工业务分析：根据全能型供电所员工要一专多能的要求及员工综合素质评价值将每项业务至少分配给两名员工。

所述员工推荐模块，依据业务信息采集模块和员工综合评价模块，采用基于协同过滤的推荐算法，自动推荐出适合每一任务的员工。

实施例2：

本发明公开了一种基于大数据的全能型供电所人员优化配置的系统，其依托计算机和互联网，包括员工信息采集模块、设备资产信息采集模块、业务信息采集模块、员工综合评价模块、员工业务分配模块、员工推荐模块和显示模块，依据业务信息采集模块和员工综合评价模块，采用基于协同过滤的推荐算法，自动推荐出适合每一任务的员工。

所述员工信息采集模块，根据全能型供电所员工档案信息及历年体检结果将员工基本信息存入数据库形成全能型供电所的员工信息数据库，所述员工基本信息包括年龄、性别、工作年限、教育程度、专业特长和健康状况。

所述设备资产信息采集模块，将设备资产运维精益管理系统统计的供电所管辖范围内的设备资产信息数字化并形成全能型供电所的设备资产信息数据库，所述设备资产信息包括线路设备和低压设备。

所述业务信息采集模块，采集全能型供电所内、外勤班日常处理内容以及特殊情况需要处理内容，形成全能型供电所的业务信息内容，所述业务信息内容包括外勤班电力安全生产业务中配电设备管理、设备巡视、缺陷处理、重过载处理、95598故障抢修、安全风险管控、工器具管理、周月工作计划和内勤班营销服务业务中抄表、收费、开票、95598工单、业扩报装、客户走访、线损分析、计量装置管理和稽查工单的任务，每一任务与另一任务之间为并行任务。

所述员工综合评价模块，以员工信息采集模块采集的员工基本信息，利用层次分析法对员工综合素质能力进行综合评价。

所述员工业务分配模块，外勤班员工业务分析：通过聚类、拓扑及灰色关联将设备资产信息划分出低压、高压区域，根据员工职责、员工综合素质评价值及地理信息分析员工家庭住址与对应资产数据区域相对位置远近将员工与资产数据区域形成至少二对一的映射关系；内勤班员工业务分析：根据全能型供电所员工要一专多能的要求及员工综合素质评价值将每项业务至少分配给两名员工。

所述员工推荐模块，依据业务信息采集模块和员工综合评价模块，采用基于协同过滤的推荐算法，自动推荐出适合每一任务的员工。

所述显示模块，通过计算机的显示器来显示每一任务以及对应员工的信息。

实施例3：

如图1所示，本发明公开了一种基于大数据的全能型供电所人员优化配置的方法，其依托计算机和互联网，包括如下步骤：

S1员工信息采集

根据全能型供电所员工档案信息及历年体检结果将员工基本信息存入数据库形成全能型供电所的员工信息数据库，所述员工基本信息包括年龄、性别、工作年限、教育程度、专业特长和健康状况。

S2设备资产信息采集

将设备资产运维精益管理系统统计的供电所管辖范围内的设备资产信息数字化并形成全能型供电所的设备资产信息数据库，所述设备资产信息包括线路设备和低压设备。

S3所述业务信息采集

采集全能型供电所内、外勤班日常处理内容以及特殊情况需要处理内容，形成全能型供电所的业务信息内容，所述业务信息内容包括外勤班电力安全生产业务中配电设备管理、设备巡视、缺陷处理、重过载处理、95598故障抢修、安全风险管控、工器具管理、周月工作计划和内勤班营销服务业务中抄表、收费、开票、95598工单、业扩报装、客户走访、线损分析、计量装置管理和稽查工单的任务，每一任务与另一任务之间为并行任务。

S4员工综合评价

以员工信息采集模块采集的员工基本信息，利用层次分析法对员工综合素质能力进行综合评价。

S5员工业务分配

外勤班员工业务分析：通过聚类、拓扑及灰色关联将设备资产信息划分出低压、高压区域，根据员工职责、员工综合素质评价值及地理信息分析员工家庭住址与对应资产数据区域相对位置远近将员工与资产数据区域形成至少二对一的映射关系；内勤班员工业务分析：根据全能型供电所员工要一专多能的要求及员工综合素质评价值将每项业务至少分配给两名员工。

S6员工推荐

依据业务信息采集模块和员工综合评价模块，采用基于协同过滤的推荐算法，自动推荐出适合每一任务的员工。

实施例4：

本发明公开了一种基于大数据的全能型供电所人员优化配置的方法，其依托计算机和互联网，包括如下步骤：

S1员工信息采集

根据全能型供电所员工档案信息及历年体检结果将员工基本信息存入数据库形成全能型供电所的员工信息数据库，所述员工基本信息包括年龄、性别、工作年限、教育程度、专业特长和健康状况。

S2设备资产信息采集

将设备资产运维精益管理系统统计的供电所管辖范围内的设备资产信息数字化并形成全能型供电所的设备资产信息数据库，所述设备资产信息包括线路设备和低压设备。

S3所述业务信息采集

采集全能型供电所内、外勤班日常处理内容以及特殊情况需要处理内容，形成全能型供电所的业务信息内容，所述业务信息内容包括外勤班电力安全生产业务中配电设备管理、设备巡视、缺陷处理、重过载处理、95598故障抢修、安全风险管控、工器具管理、周月工作计划和内勤班营销服务业务中抄表、收费、开票、95598工单、业扩报装、客户走访、线损分析、计量装置管理和稽查工单的任务，每一任务与另一任务之间为并行任务。

S4员工综合评价

以员工信息采集模块采集的员工基本信息，利用层次分析法对员工综合素质能力进行综合评价。

S5员工业务分配

外勤班员工业务分析：通过聚类、拓扑及灰色关联将设备资产信息划分出低压、高压区域，根据员工职责、员工综合素质评价值及地理信息分析员工家庭住址与对应资产数据区域相对位置远近将员工与资产数据区域形成至少二对一的映射关系；内勤班员工业务分析：根据全能型供电所员工要一专多能的要求及员工综合素质评价值将每项业务至少分配给两名员工。

S6员工推荐

依据业务信息采集模块和员工综合评价模块，采用基于协同过滤的推荐算法，自动推荐出适合每一任务的员工。

S7显示

通过计算机的显示器来显示每一任务以及对应员工的信息。

上述技术方案，实现了减少客户等待时间，增加了客户满意度，合理调配了供电所员工。

Claims (10)

1.一种基于大数据的全能型供电所人员优化配置的系统，其特征在于：依托计算机和互联网，包括员工信息采集模块、设备资产信息采集模块、业务信息采集模块、员工综合评价模块、员工业务分配模块和员工推荐模块，依据业务信息采集模块和员工综合评价模块，所述员工推荐模块，依据业务信息采集模块和员工综合评价模块，采用基于协同过滤的推荐算法，自动推荐出适合每一任务的员工。

2.根据权利要求1所述的一种基于大数据的全能型供电所人员优化配置的系统，其特征在于：所述员工信息采集模块，根据全能型供电所员工档案信息及历年体检结果将员工基本信息存入数据库形成全能型供电所的员工信息数据库。

3.根据权利要求1所述的一种基于大数据的全能型供电所人员优化配置的系统，其特征在于：所述设备资产信息采集模块，将设备资产运维精益管理系统统计的供电所管辖范围内的设备资产信息数字化并形成全能型供电所的设备资产信息数据库。

4.根据权利要求1所述的一种基于大数据的全能型供电所人员优化配置的系统，其特征在于：所述业务信息采集模块，采集全能型供电所内、外勤班日常处理内容以及特殊情况需要处理内容，形成全能型供电所的业务信息内容。

5.根据权利要求1所述的一种基于大数据的全能型供电所人员优化配置的系统，其特征在于：所述员工综合评价模块，以员工信息采集模块采集的员工基本信息，利用层次分析法对员工综合素质能力进行综合评价。

6.根据权利要求1所述的一种基于大数据的全能型供电所人员优化配置的系统，其特征在于：所述员工业务分配模块，外勤班员工业务分析：通过聚类、拓扑及灰色关联将设备资产信息划分出低压、高压区域，根据员工职责、员工综合素质评价值及地理信息分析员工家庭住址与对应资产数据区域相对位置远近将员工与资产数据区域形成至少二对一的映射关系；内勤班员工业务分析：根据全能型供电所员工要一专多能的要求及员工综合素质评价值将每项业务至少分配给两名员工。

7.根据权利要求2所述的一种基于大数据的全能型供电所人员优化配置的系统，其特征在于：所述员工信息采集模块中，所述员工基本信息包括年龄、性别、工作年限、教育程度、专业特长和健康状况。

8.根据权利要求3所述的一种基于大数据的全能型供电所人员优化配置的系统，其特征在于：所述设备资产信息采集模块中，所述设备资产信息包括线路设备和低压设备。

9.根据权利要求4所述的一种基于大数据的全能型供电所人员优化配置的系统，其特征在于：所述业务信息采集模块中，所述业务信息内容包括外勤班电力安全生产业务中配电设备管理、设备巡视、缺陷处理、重过载处理、95598故障抢修、安全风险管控、工器具管理、周月工作计划和内勤班营销服务业务中抄表、收费、开票、95598工单、业扩报装、客户走访、线损分析、计量装置管理和稽查工单的任务，每一任务与另一任务之间为并行任务。

10.根据权利要求1-9中任意一项所述的一种基于大数据的全能型供电所人员优化配置的系统，其特征在于：还包括显示模块，通过计算机的显示器来显示每一任务以及对应员工的信息。