CN113435612A - 基于大数据支撑的智能抢修派单方法及装置 - Google Patents

Abstract

本申请公开了基于大数据支撑的智能抢修派单方法及装置，方法包括：获得电力系统的故障位置、故障设备及其故障原因；根据故障位置、故障设备及其故障原因得出最佳抢修方案，并将信息整理成抢修派单发送至相应的抢修人员的终端设备中；当抢修人员确认抢修派单时，终端设备能够显示最佳的出行路线及故障位置，其中，最佳的出行路线根据天气、交通阻塞情况、红绿灯情况而形成。通过上述方式，本申请依靠大数据计算能力进行信息整合从而生成抢修派单，得出最佳抢修方案，大大缩短了派单时间，提高了派单效率。

Description

基于大数据支撑的智能抢修派单方法及装置

技术领域

本申请涉及大数据应用技术领域，尤其涉及基于大数据支撑的智能抢修派单方法及装置。

背景技术

因电力系统常需要检修维护等工作，所以系统会采取计划停电，以提高电网的可靠性、科学性。而对于突发的停电情况，由于民众没有事先对停电做好准备，如因天气或电网设备故障等原因引起的停电，往往会给民众生活或工作带来一定的困扰甚至带来经济损失。因此，这就要求电网在抢修故障的发现、到派单抢修、维修外派人员接单及出修过程的时间必须尽可能的被缩短，以减少用户因突发停电带来的损失。

在现有的配抢流程中，从发令抢修信息录入、抢修单整合到通知抢修人员组过程中，存在着依赖于传统的专家系统和抢修指挥组进行人工信息整合，第一、人工整合的信息不全面，导致抢修单通过监控平台发送至设备端后，为了避免因为信息了解不全面或人员信息录入疏忽，导致出修延误等问题，抢修人员仍需与抢修监控组的相关负责人进行电话确认更多任务相关信息，反复确认会导致耗时长，效率低下的问题；第二、抢修人员在出修过程中，由于传统配抢流程机制在高并发或区域高任务量情况下，存在一定延迟，导致抢修人员为了时效性，往往需要随时主动修正并确认出修状态，从而导致出修效率低下，容易出错。

发明内容

本申请提供基于大数据支撑的智能抢修派单方法及装置，以解决现有技术中出修效率低下，容易出错的问题。

为解决上述技术问题，本申请提出一种基于大数据支撑的智能抢修派单方法，包括：获得电力系统的故障位置、故障设备及其故障原因；根据故障位置、故障设备及其故障原因得出最佳抢修方案，并将信息整理成抢修派单发送至相应的抢修人员的终端设备中；当抢修人员确认抢修派单时，终端设备能够显示最佳的出行路线及故障位置，其中，最佳的出行路线根据天气、交通阻塞情况、红绿灯情况而形成。

为解决上述技术问题，本申请提出一种基于大数据支撑的智能抢修派单装置，包括：故障获取模块，用于获得电力系统的故障位置、故障设备及其故障原因；运算服务器，用于根据故障位置、故障设备及其故障原因得出最佳抢修方案，并将信息整理成抢修派单发送至相应的抢修人员的终端设备中；终端设备，用于当抢修人员确认抢修派单时，显示最佳的出行路线及故障位置，其中，最佳的出行路线根据天气、交通阻塞情况、红绿灯情况而形成。

本申请提出基于大数据支撑的智能抢修派单方法及装置，方法包括：获得电力系统的故障位置、故障设备及其故障原因；根据故障位置、故障设备及其故障原因得出最佳抢修方案，并将信息整理成抢修派单发送至相应的抢修人员的终端设备中；当抢修人员确认抢修派单时，终端设备能够显示最佳的出行路线及故障位置，其中，最佳的出行路线根据天气、交通阻塞情况、红绿灯情况而形成。通过上述方式，本申请依靠大数据计算能力进行信息整合从而生成抢修派单，得出最佳抢修方案，大大缩短了派单时间，提高了派单效率。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请基于大数据支撑的智能抢修派单方法一实施例的流程示意图；

图2是本申请抢修派单生成算法一实施例示意图；

图3是本申请基于大数据支撑的智能抢修派单装置一实施例的结构示意图。

具体实施方式

为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请所提供基于大数据支撑的智能抢修派单方法及装置进一步详细描述。

本申请提出一种基于大数据支撑的智能抢修派单方法，请参阅图1，图1是本申请基于大数据支撑的智能抢修派单方法一实施例的流程示意图，在本实施例中，具体可以包括以下步骤：

S110：获得电力系统的故障位置、故障设备及其故障原因。

本实施例提出一种基于大数据支撑智能抢修派单装置，可以代替人工整合信息派单和催单过程。其中，获得电力系统的故障位置、故障设备及其故障原因，可以是通过人工检测排查获得的，也可以由电力系统中的设备自动上报。

具体地，由电力系统中的设备自动上报故障，包括：实时监测设备的参数是否正常，当发现某个设备的参数异常时，立即上报故障信息，其中故障信息可以包括故障位置、故障设备及其故障原因。

S120：根据故障位置、故障设备及其故障原因得出最佳抢修方案，并将信息整理成抢修派单发送至相应的抢修人员的终端设备中。

根据上报的故障位置、故障设备及其故障原因，经过大数据分析可以得出最佳抢修方案，其中，最佳抢修方案可以最适合的抢修人员以及最快的抢修速度这两个因素中的最优解。本实施例中可以合理分配各区域的抢修人员，以保证故障得到最优的处理，使得故障维修的请求消息不会出现延迟，尽量减少电力故障导致的损失。

1)在服务器/运算集群中，基于handoop技术，在搜索过程中，搜索与故障位置符合的抢修人员以及相关联的信息；调用数据挖掘引擎的MapReduce快速抓取各存储文件块的数据，亦可采用spark内的搜索封装函数执行通用数据搜索功能，通过更高阶的规则匹配需要的数据。

首先，获取客户端传输过来的数据信息，并配置形成一个任务分配的规划。

其次，程序中输入分布式存储文件的各块的地址，并读取数据，再对数据进行切分片，调用map()封装函数，通过预先定义的与人员位置距离的规则、人员状态规则、地理位置距离等规则，对数据进行处理，输出匹配的数据列表；气候，数据列表进入到map shuffle缓冲程序，对数据进行分区处理并进行排序，其中，可调用Combiner和本地的reducer，运行combiner使得map输出结果更紧凑，可以减少写到磁盘的数据和传递给reducer的数据。

最后，将数据传递至reducer阶段的本地内存和磁盘各分区，并对各分区进行排序后合并，这个阶段将合并map的输出，维持其顺序排序，将输出数据进行格式转换，并按设置的格式输出。

其中，规则匹配时候，复杂的关联语义可启用语义分析引擎的意图分析和语义相似计算，启用信息分析模型的地理位置拓步图，并按图的一级或多级关系，确定抢修故障点的关联设施。

语义模型还包括意图分类和意图预测模型，如果单纯只故障点关联建筑设施信息，则可以通过拓扑图和地理位置坐标信息关联到相应的设施。此外，此外，以上记载的数据处理方式均基于封装好的API进行。

2)将数据输入至信息模板模型；其中信息模板模型包括信息分析模型和信息预测模型，信息分析模型用于对输入的信息进行分析整合；信息预测模型用于对输入的信息进行预测，分类出最佳的人员组合以及与抢修点周边最关联的信息组合。

信息分析模型可以采用SVM、GBDT或者决策树DT的分类算法。若数据量巨大，采用基于残差网络的分类网络进行分类，这些模型已通过大量的数据进行训练。且这些模型由于需要适配参数，这些参数可存储在缓存服务器，随时进行调用。

3)对信息分析模型输出的预测结果进行语义分析，并调用自然语言生成模块，从而形成抢修派单。

语义分析引擎获取预测分析引擎输出的结果：通过调用自然语言生成模板输出派单信息，一般是基于翻译模型改进的生成模型，若需要训练，则交由训练引擎进行训练，用预训练完善的训练模型将输入的信息数据进行编码译码的计算，输出派单信息。

可以结合图2，图2是本申请抢修派单生成算法一实施例示意图。图2中圆圈代表着注意力机制的运算，图中transformer模型是基于谷歌的典型的编码器模型，亦可以考虑其他编码器模型。

S130：当抢修人员确认抢修派单时，终端设备能够显示最佳的出行路线及故障位置，其中，最佳的出行路线根据天气、交通阻塞情况、红绿灯情况而形成。

其中出行路线是根据天气、交通阻塞情况、红绿灯情况而实时反馈的，这些信息以列表自动弹出的形式，可视化在抢修人员的终端设备上，抢修人员可更根据规划的出行路线执行抢修。

当抢修人员完成抢修派单后，将抢修派单状态同步更新至服务器，以恢复电力系统。具体地，抢修人员完成抢修派单任务后，在终端设备上更新抢修派单任务的状态，抢修法令中心自动根据状态判断是否完成抢修，并同步至运算服务器，以便于运算服务器进行下一次的抢修派单。

可选地，抢修人员可以通过终端设备查阅接单信息、个人信息、位置和工作状况。

进一步的，终端设备中还包括信息登录模块和抢修指引模块。信息登录模块，用于登记当前持有终端设备的人员信息和抢修人员登入、退出信息；抢修指引模块，用于服务、整合和分析各模块中的数据，得出抢修工作的流程指引，抢修人员可以根据指引进行下一步操作。

与现有技术相比，本实施例的有益效果包括：

第一，替代传统的专家系统和抢修指挥组的人工整合信息，依靠大数据提供的大数据计算能力进行信息整合生成抢修派单，使用SVM、GBDT、决策树DT等分类算法对抢修人员状态信息和派单方案等信息先进行准确分类，得出最佳抢修方案，解决了现有专家系统和抢修指挥组依靠预设规则分类的缺点，大大缩短了派单时间，提高了派单效率，若数据量巨大，采用基于残差网络的分类网络进行分类。这些模型已通过大量的数据进行训练。

第二，在抢修派单生成方案上，通过调用自然语言生成模板输出派单信息，代替了传统人工填写或模板自动填写的方式，提高了派单效率。

第三，抢修人员在执行抢修派单任务的过程中，终端设备会显示最佳的出行路线以及故障点的定位，同时，结合大数据平台，在抢修全程还有关于天气、交通阻塞情况、红绿灯等实时监测信息的反馈，这些信息以列表自动弹出的形式，可视化在抢修人员的终端设备上，抢修人员可更根据规划的出行路线执行抢修，大大提高了抢修人员在抢修前的准备效率，缩短了准备时间。

第四，本实施例调用可以对多个终端设备的数据接入服务器负载的进行均衡，进而减少堵塞，再进而避免多地抢修事件和复杂人员调动接入造成的高并发或区域高任务量的问题，提高了效率，减少了出错率。

基于上述的大数据支撑的智能抢修派单方法，本申请还提出一种基于大数据支撑的智能抢修派单装置，请参阅图3，图3是本申请基于大数据支撑的智能抢修派单装置一实施例的结构示意图。在本实施例中，具体可以包括以下：

故障获取模块310，用于获得电力系统的故障位置、故障设备及其故障原因；

运算服务器320，用于根据故障位置、故障设备及其故障原因得出最佳抢修方案，并将信息整理成抢修派单发送至相应的抢修人员的终端设备中；

终端设备330，用于当抢修人员确认抢修派单时，显示最佳的出行路线及故障位置，其中，最佳的出行路线根据天气、交通阻塞情况、红绿灯情况而形成。

运算服务器320还用于：

基于handoop技术，搜索与故障位置符合的抢修人员以及相关联的信息；调用数据挖掘引擎的MapReduce抓取各存储文件块的数据，通过更高阶的规则匹配需要的数据；

将数据输入至信息模板模型；其中信息模板模型包括信息分析模型和信息预测模型，信息分析模型用于对输入的信息进行分析整合；信息预测模型用于对输入的信息进行预测，分类出最佳的人员组合以及与抢修点周边最关联的信息组合。

其中，信息分析模型采用SVM、GBDT或者决策树DT的分类算法。

运算服务器320还用于：对信息分析模型输出的预测结果进行语义分析，并调用自然语言生成模块，从而形成抢修派单。

终端设备330还用于：当抢修人员完成抢修派单后，将抢修派单状态同步更新至服务器，以恢复电力系统。

可选地，还可以包括：

均衡负载模块，用于对多个终端设备的数据接入服务器负载的均衡，进而减少堵塞；

运算服务器，用于接收各大模块输入的控制指令，并对控制指令作出相应处理反馈；

数据库，用于储存接收上述模块的实时产生的相关数据。优选地，运算服务器还包括缓冲服务器和若干个普通服务器，用于存储接收系统常用的数据。数据库为分布式数据库。

派单装置为一个虚拟的系统架构。从多个终端、到设备均衡负载、到服务容器接口的概念图。实际操作是从终端输入到接入业务服务层(派单任务信息、路线规划、GIS图的数据)，再到内部系统服务，就是消息队列、任务调度等，最后再依照任务，将数据流动至数据库。由于基于分布式系统，用户拿到的终端所显示的派单信息、GIS图和路线规划是分布式底层计算，即服务器反馈的结果。实际上，本申请的重点是一种需要基于分布式系统实现的智能派单方法。

本申请提出基于大数据支撑的智能抢修派单方法及装置，方法包括：获得电力系统的故障位置、故障设备及其故障原因；根据故障位置、故障设备及其故障原因得出最佳抢修方案，并将信息整理成抢修派单发送至相应的抢修人员的终端设备中；当抢修人员确认抢修派单时，终端设备能够显示最佳的出行路线及故障位置，其中，最佳的出行路线根据天气、交通阻塞情况、红绿灯情况而形成。通过上述方式，本申请依靠大数据计算能力进行信息整合从而生成抢修派单，得出最佳抢修方案，大大缩短了派单时间，提高了派单效率。

可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。文中所使用的步骤编号也仅是为了方便描述，不对作为对步骤执行先后顺序的限定。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。

本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于大数据支撑的智能抢修派单方法，其特征在于，包括：

获得电力系统的故障位置、故障设备及其故障原因；

根据所述故障位置、故障设备及其故障原因得出最佳抢修方案，并将信息整理成抢修派单发送至相应的抢修人员的终端设备中；

当所述抢修人员确认所述抢修派单时，所述终端设备能够显示最佳的出行路线及故障位置，其中，所述最佳的出行路线根据天气、交通阻塞情况、红绿灯情况而形成。

2.根据权利要求1所述的种基于大数据支撑的智能抢修派单方法，其特征在于，所述根据所述故障位置、故障设备及其故障原因得出最佳抢修方案，并将信息整理成抢修派单发送至相应的抢修人员的终端设备中，包括：

基于handoop技术，搜索与所述故障位置符合的抢修人员以及相关联的信息；调用数据挖掘引擎的MapReduce抓取各存储文件块的数据，通过更高阶的规则匹配需要的数据；

将所述数据输入至信息模板模型；其中所述信息模板模型包括信息分析模型和信息预测模型，所述信息分析模型用于对输入的信息进行分析整合；所述信息预测模型用于对输入的信息进行预测，分类出最佳的人员组合以及与抢修点周边最关联的信息组合。

3.根据权利要求2所述的种基于大数据支撑的智能抢修派单方法，其特征在于，

所述信息分析模型采用SVM、GBDT或者决策树DT的分类算法。

4.根据权利要求1所述的种基于大数据支撑的智能抢修派单方法，其特征在于，

对所述信息分析模型输出的预测结果进行语义分析，并调用自然语言生成模块，从而形成抢修派单。

5.根据权利要求1所述的种基于大数据支撑的智能抢修派单方法，其特征在于，

当所述抢修人员完成所述抢修派单后，将所述抢修派单状态同步更新至服务器，以恢复所述电力系统。

6.一种基于大数据支撑的智能抢修派单装置，其特征在于，包括：

故障获取模块，用于获得电力系统的故障位置、故障设备及其故障原因；

运算服务器，用于根据所述故障位置、故障设备及其故障原因得出最佳抢修方案，并将信息整理成抢修派单发送至相应的抢修人员的终端设备中；

终端设备，用于当所述抢修人员确认所述抢修派单时，显示最佳的出行路线及故障位置，其中，所述最佳的出行路线根据天气、交通阻塞情况、红绿灯情况而形成。

7.根据权利要求6所述的基于大数据支撑的智能抢修派单装置，其特征在于，所述运算服务器还用于：

基于handoop技术，搜索与所述故障位置符合的抢修人员以及相关联的信息；调用数据挖掘引擎的MapReduce抓取各存储文件块的数据，通过更高阶的规则匹配需要的数据；

将所述数据输入至信息模板模型；其中所述信息模板模型包括信息分析模型和信息预测模型，所述信息分析模型用于对输入的信息进行分析整合；所述信息预测模型用于对输入的信息进行预测，分类出最佳的人员组合以及与抢修点周边最关联的信息组合。

8.根据权利要求7所述的基于大数据支撑的智能抢修派单装置，其特征在于，

所述信息分析模型采用SVM、GBDT或者决策树DT的分类算法。

9.根据权利要求6所述的基于大数据支撑的智能抢修派单装置，其特征在于，所述运算服务器还用于：

对所述信息分析模型输出的预测结果进行语义分析，并调用自然语言生成模块，从而形成抢修派单。

10.根据权利要求6所述的基于大数据支撑的智能抢修派单装置，其特征在于，所述终端设备还用于：

当所述抢修人员完成所述抢修派单后，将所述抢修派单状态同步更新至服务器，以恢复所述电力系统。

Images