CN114331001A

CN114331001A - 一种自适应匹配的电力终端异常工单分派方法及系统

Info

Publication number: CN114331001A
Application number: CN202111423109.2A
Authority: CN
Inventors: 王兆军; 郭红霞; 刘丽君; 李霖; 李骁; 孟玉洁; 王翠翠; 刘晓冬; 刘志美
Original assignee: Marketing Service Center of State Grid Shandong Electric Power Co Ltd
Current assignee: Marketing Service Center of State Grid Shandong Electric Power Co Ltd
Priority date: 2021-11-26
Filing date: 2021-11-26
Publication date: 2022-04-12

Abstract

本公开提供了一种自适应匹配的电力终端异常工单分派方法及系统，包括：获取电力终端相关数据、现场处理人员特征信息和处理工单的历史记录信息；根据获取的电力终端相关数据，以及预设的终端异常故障识别模型，得到异常工单类识别结果；依据现场处理类异常工单的特征信息、现场处理人员特征信息和处理工单的历史记录信息，以及预设的人员‑工单权重匹配模型，得到人员‑工单匹配矩阵，基于人员‑工单匹配矩阵，采用KM算法实现人员与待分配工单的分派，输出人员‑工单分派结果；本公开在考虑现场处理人员特征、工单特征、历史处理记录的基础上，采用一种自适应匹配的电力终端异常工单分派方法，实现对终端异常工单的自适应匹配与分派。

Description

一种自适应匹配的电力终端异常工单分派方法及系统

技术领域

本公开属于智能电力信息处理技术领域，尤其涉及一种自适应匹配的电力终端异常工单分派方法及系统。

背景技术

随着深化能源体制机制改革，未来能源系统骨干将以电力为核心，用电比例将进一步提高，电力终端作为用电数据采集、数据管理、数据双向传输以及转发和执行控制命令的执行设备，是保障电能安全稳定供给的基础。

本公开发明人发现，随着电力终端类型和功能的增长，导致现场处理工单类别增多，现场工单处理量增大，传统的分派工单的方法存在效率不高、人员分派失衡以及工单处理满意度不高等问题，轻则由于工单处理结果不理想导致客户投诉，重则基于紧急工单处理不及时，导致经济损失及人员安全问题，上述问题均易产生舆论风险，而影响电力市场化及社会电气化发展进程。

发明内容

本公开为了解决上述问题，提出了一种自适应匹配的电力终端异常工单分派方法及系统，本公开在考虑现场处理人员特征、工单特征、历史处理记录的基础上，采用一种自适应匹配的电力终端异常工单分派方法，实现对终端异常工单的自适应匹配与分派。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本公开提供了一种自适应匹配的电力终端异常工单分派方法，包括：

获取电力终端相关数据、现场处理人员特征信息和处理工单的历史记录信息；

根据获取的电力终端相关数据，以及预设的终端异常故障识别模型，得到异常工单类识别结果；其中，所述终端异常故障识别模型通过深度学习方法构建；

剔除可远程修复类异常工单，获得现场处理类异常工单；

依据现场处理类异常工单的特征信息、现场处理人员特征信息和处理工单的历史记录信息，以及预设的人员-工单权重匹配模型，得到人员-工单匹配矩阵，其中，所述人员-工单权重匹配模型采用概率矩阵分解算法构建；

基于人员-工单匹配矩阵，采用KM算法实现人员与待分配工单的分派，输出人员-工单分派结果。

进一步的，所述终端异常故障识别模型的构建包括：

将多种异常工单类型进行编码作为模型输出标签，将预处理完的训练集数据按照标签类型进行标注后作为输入样本数据集；

采用LSTM算法对输入样本集数据工单类型的判别；

将Softmax函数作为LSTM神经单元网络训练的最后一层，在经过门控装置的训练后，输出样本故障类别预测概率值，再利用多分类交叉熵损失函数计算样本数据的期望输出预测概率值和实际输出概率的误差；

根据得到的误差反向传播，通过梯度下降法迭代不断更新各参数，损失函数低于误差阈值后，获取最优参数；

经过迭代调参再训练的过程后，使用测试集对预测模型进行测试，若测试结果不满足模型判别要求，则调整误差阈值，继续反馈调参；若测试结果满足模型判别要求，固定模型参数，并输出终端异常故障识别模型。

进一步的，所述终端异常故障识别模型练时，将初始样本集中的正常样本集和异常样本集按照预设比例分为训练集、测试集和验证集。

进一步的，人员-工单权重匹配模型的构建包括：

获取现场故障处理人员的工龄、技能专业和台区信息，并进行人员属性特征定义；

获取人员的现场处理工单历史记录，确定每个人员的不同类别工单的处理数量，基于历史记录数量构成人员-工单处理记录矩阵，并采用距离定义及余弦相似度算法计算人员处理记录相似度；

基于人员特征属性的现场处理人员数据集和工单类别特征数据集，采用概率矩阵分解算法构建人员-工单权重匹配模型，输出现场处理人员对不同工单类型的处理权重值；

在现场处理新人员加入时，基于人员特征属性相似度，选择小于相似阈值的最邻近人员，获取其人员-工单的权重值均值，作为现场处理新人员的人员-工单匹配权重值。

进一步的，采用KM算法实现人员与待分配工单的分派，包括：

基于人员-工单匹配矩阵，获取人员与工单类别的匹配特征值，此时，将现有的空闲人员和待分配工单作为顶点并为其赋值，将人员的顶点赋值为最大权重，待分配工单的顶点赋值为0；

在进行匹配时，只与权重相同的边匹配，若找不到边匹配，对此条路径的所有人员顶点权值减去一个预设值，待分配工单顶点权值增加所述预设值，再进行匹配；

当匹配发生冲突时，只让已完成匹配的人员与降低期望值最少的工单重新匹配，使当前人员完成匹配；

重复匹配过程，直到所有人员都完成工单匹配。

进一步的，将区域按照台区进行分区，根据人员-工单分派结果，判断每个分区是否均有现场处理人员，若是，则按照人员-工单分派结果发放工单分派信息，若否，则调整人员-工单分派结果，在确保每个分区均可实现紧急事件处理的前提下，发放工单分派信息。

进一步的，基于现场反馈异常工单的处理结果，及时更新处理工单的历史记录信息。

第二方面，本公开还提供了一种自适应匹配的电力终端异常工单分派系统，包括数据采集模块、异常工单类识别模块、异常工单处理模块、人员-工单匹配矩阵获取模块和工单分派模块；

所述数据采集模块，被配置为：获取电力终端相关数据、现场处理人员特征信息和处理工单的历史记录信息；

所述异常工单类识别模块，被配置为：根据获取的电力终端相关数据，以及预设的终端异常故障识别模型，得到异常工单类识别结果；其中，所述终端异常故障识别模型通过深度学习方法构建；

所述异常工单处理模块，被配置为：剔除可远程修复类异常工单，获得现场处理类异常工单；

所述人员-工单匹配矩阵获取模块，被配置为：依据现场处理类异常工单的特征信息、现场处理人员特征信息和处理工单的历史记录信息，以及预设的人员-工单权重匹配模型，得到人员-工单匹配矩阵，其中，所述人员-工单权重匹配模型采用概率矩阵分解算法构建；

所述工单分派模块，被配置为：基于人员-工单匹配矩阵，采用KM算法实现人员与待分配工单的分派，输出人员-工单分派结果。

第三方面，本公开还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的自适应匹配的电力终端异常工单分派方法的步骤。

第四方面，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的自适应匹配的电力终端异常工单分派方法的步骤。

与现有技术相比，本公开的有益效果为：

1.本公开针对当前终端异常工单处理需现场核查后识别工单类别的问题，基于历史工单处理记录收集终端采集特征数据，并以时序识别算法即LSTM算法，在终端正常运行变为异常运行时的变化的采集特征数据，识别出具体的工单类别，从而为现场人员的派工提供工单类别信息；

2.本公开基于人员与工单的匹配问题，基于人员特征与工单特征，采用概率矩阵分解算法构建人员-工单权重匹配模型，从而给出人员与工单处理的匹配值，保障人员分配时，基于工龄、距离、技能及历史处理记录保障工单分配的合理性，并在新人员加入时，基于人员特征相似度，给出近邻人员与工单处理的匹配值，解决冷启动问题；

3.本公开基于用户的满意度，进行反向的权重值反馈调整，并在保证每个台区均可及时对现场紧急故障进行处理的基础上，相对均衡化实现人员的合理调度。

附图说明

构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。

图1为本公开实施例1的整体流程图；

图2为本公开实施例1的采用LSTM算法构建电力终端异常故障识别模型流程图；

图3为本公开实施例1的采用概率矩阵分解算法构建人员-工单权重匹配模型流程图；

图4为本公开实施例1的PMF模型示意图；

图5为本公开实施例1的采用KM算法实现人员与待分配工单分派模型流程图；

图6为本公开实施例1的人员-工单的分派过程图示。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

实施例1：

如图1所示，本实施例提供了一种自适应匹配的电力终端异常工单分派方法，包括：

从电力系统的生产数据库中获取已采集的各类终端采集数据，整理汇总数据后将其进行预处理得到初始样本集。

基于历史终端异常处理记录，提取初始样本集中的相应历史采集数据，构成异常样本集并标记，根据专家经验，给出各种工单类型的定义以及处理优先级权重；将初始样本集中的正常样本集和异常样本集按照n:m:1比例分为训练集、测试集和验证集；

将训练集样本特征数据作为训练阶段的输入数据，并采用LSTM算法构建终端异常故障识别模型，输出异常工单类识别结果；

针对远程修复工单进行存档并发送提示信息，并将可远程修复类工单从终端异常工单类识别结果中剔除，剩余现场处理终端异常工单类；

针对现场处理终端异常工单类，将现场处理人员特征信息、工单特征信息和处理工单的历史记录作为输入数据，采用概率矩阵分解(PMF，Probabilistic MatrixFactorization)算法构建人员-工单权重匹配模型，输出现场处理人员对不同工单类型的处理权重值，即人员-工单匹配矩阵；

基于人员-工单匹配矩阵，采用KM算法实现人员与待分配工单的分派，输出人员-工单分派结果；

将区域按照台区进行分区，根据人员-工单分派结果，判断每个分区是否均有现场处理人员，若是，则按照人员-工单分派结果发放工单分派信息，若否，则进行人工干预调整人员-工单分派结果，在确保每个分区均可实现紧急事件处理的前提下，发放工单分派信息；

基于现场反馈异常工单的处理结果，及时更新初始样本集的异常工单样本数据。

如图2所示，在本实施例中，所述终端异常故障识别模型，采用LSTM算法构建，包括：

将N种异常工单类型进行编码作为模型输出标签，将预处理完的训练集数据按照标签类型进行标注后作为输入样本数据集；

采用LSTM算法构建终端异常故障识别模型，根据LSTM算法中门控装置的三个控制门(输入门、忘记门和输出门)来实现对输入样本集数据工单类型的判别；

将Softmax函数作为LSTM神经单元网络训练的最后一层，在经过门控装置的训练后，输出样本故障类别预测概率值，再利用多分类交叉熵损失函数计算样本数据的期望输出预测概率值和实际输出概率的误差(即损失)；

根据计算得到的误差反向传播，通过梯度下降法迭代不断更新输入样本集数据中的各参数，损失函数低于误差阈值后，获取相对最优参数；

经过迭代调参再训练的过程后，使用测试集对预测模型进行测试，若测试结果不满足模型判别要求，则转至调整误差阈值处，继续反馈调参；若测试结果满足模型判别要求，固定模型参数，并输出终端异常故障识别模型。

如图3和图4所示，在本实施中，采用概率矩阵分解算法构建人员-工单权重匹配模型，包括：

现场故障处理人员属性特征定义，从营销应用系统档案数据库中获取现场故障处理人员的工龄、技能专业和台区信息并进行人员属性特征定义；

从营销应用系统档案数据库中获取人员的现场处理工单历史记录，依此确定每一个人的不同类别工单的处理数量，并基于历史记录数量构成人员-工单处理记录矩阵，并采用距离定义及余弦相似度算法计算人员处理记录相似度；

在现场处理新人员加入时，基于人员特征属性相似度，选择小于相似阈值的最邻近m个人，获取其人员-工单的权重值均值，作为现场处理新人员的人员-工单匹配权重值。

如图5所示，基于人员-工单匹配矩阵，采用KM算法实现人员与待分配工单的分派，包括：

在进行匹配时，匹配原则是只与权重相同的边匹配，若是找不到边匹配，对此条路径的所有人员顶点权值减去一个预设值d，待分配工单顶点权值增加d，再进行匹配；

当匹配发生冲突时，只能让已完成匹配的人员与降低期望值最少的工单重新匹配，以使当前人员完成匹配；

重复匹配操作，直到所有人员都完成工单匹配。

实施例2：

如图1所示，本实施例中，根据具体事例对本公开中的一种自适应匹配的电力终端异常工单分派方法进行介绍，包括：

A.从用电信息采集系统的生产数据库中获取已采集的各类终端采集数据，整理汇总数据后将其进行预处理得到初始样本集；

具体地，基于某市2020年1月至2020年12月的现场工单处理记录，获取约10万余例现场工单处理样本；并基于用电信息采集系统生产数据库获取派工现场处理工单的涉及终端的历史采集特征数据，从而生成现场工单处理样本集；

B.基于10万余例历史终端异常处理记录，从用电信息采集系统生产数据库获取派工现场处理工单的涉及终端的历史采集特征数据，包含正常采集数据和异常采集数据，生成包含100269例样本的初始样本集，即现场工单处理样本集，并按照7:2:1比例分为训练集、测试集和验证集；根据专家经验，给出各种工单类型的定义以及处理优先级权重；样本采集特征部分示例如表1所示：

表1终端采集数据部分特征示例

C.将样本集中的100269例数据作为训练集样本特征数据，将其作为训练阶段的输入数据，并采用LSTM算法构建终端异常故障识别模型，输出异常工单类识别结果；

所述步骤C，采用LSTM算法构建终端异常故障识别模型具体步骤如下：

C1.将10种异常工单类型进行编码作为模型输出标签，将预处理完的训练集数据按照标签类型进行标注后作为输入样本数据集；

其中，10种异常工单类型包含采集异常工单、计量异常工单、补抄工单、现场停复电、现场电表校时工单、电能表密钥下装、电价调整、采集终端密钥下装、费控工单、巡视工单；

C2.采用LSTM算法构建终端异常故障识别模型，根据LSTM算法中门控装置的三个控制门(输入门、忘记门和输出门)来实现对输入样本集数据的识别和工单类型的判别：

LSTM算法三个控制门控、记忆信息及输出判别的数据处理过程为：

更新忘记门输出：

f^(t)＝σ(W_fh^(t-1)+U_fx^(t)+b_f)

更新输入门两部分输出：

i^(t)＝σ(W_ih^(t-1)+U_ix^(t)+b_i)

a^(t)＝tanh(W_ah^(t-1)+U_ax^(t)+b_a)

记忆信息状态：

C^(t)＝C^(t-1)⊙f^(t)+i^(t)⊙a^(t)

更新输出门输出：

o^(t)＝σ(W_oh^(t-1)+U_ox^(t)+b_o)

h^(t)＝o^(t)⊙tanh(C^(t))

更新当前样本的工单类型判别预测输出：

其中，W_f、W_i、W_a、W_o与U_f、U_i、U_a、U_o分别为输入的隐藏层和输入样本的权重参数，t-1为上一LSTM神经单元的处理数据，t为当前LSTM神经单元的处理参数，b_f、b_i、b_a、b_o为偏移量参数；

C3.将Softmax函数作为LSTM神经单元网络训练的最后一层，在经过门控装置的训练后会输出样本故障类别预测概率值，再利用多分类交叉熵损失函数计算出样本数据的期望输出预测概率值和实际输出概率的误差(即损失)；

Softmax函数定义如下：

其中，y_i为样本工单类型判别的预测输出值，C为分类的类别个数。

交叉熵损失函数定义如下：

其中，P为样本的期望输出，T为样本的实际输出，C为分类的类别个数，其中，T＝[softmax(y₁),softmax(y₂),…,softmax(y_i＝n)]。

C4.根据步骤C3中计算得到的误差反向传播，通过梯度下降法迭代不断更新步骤C2的各参数，损失函数低于误差阈值0.02后，获取相对最优参数；

通过梯度下降法迭代更新模型参数，即计算所有参数基于损失函数的偏导数：

其中，y_i是工单类型i的真实标签，p_i是模型通过Softmax函数计算输出的工单类型i的预测标签，k是工单类型的个数，N是样本总数。

C5.经过迭代调参再训练的过程后，优化获取相对最优的模型，使用从数据库中获取的2021年1月至3月的21072例数据作为测试集对预测模型进行测试，若测试结果不满足模型判别要求，则转至步骤C4调整误差阈值，继续反馈调参；若测试结果满足模型判别要求，固定模型参数，并输出终端异常故障识别模型。

基于2021年4至5月的10640例的验证样本集对终端异常故障识别模型的匹配准确率进行验证，匹配结果如表2所示：

表2终端异常故障识别模型匹配准确率验证

迭代训练前：

迭代训练后：

D.针对远程修复工单进行存档并发送提示信息，并将可远程修复类工单从终端异常工单类识别结果中剔除，剩余现场处理终端异常工单类；

E.针对现场处理终端异常工单类，将现场处理人员特征信息、工单特征信息和处理工单的历史记录作为输入数据，采用概率矩阵分解(PMF，Probabilistic MatrixFactorization)算法构建人员-工单权重匹配模型，输出现场处理人员对不同工单类型的处理权重值，即人员-工单匹配矩阵；

所述步骤E采用概率矩阵分解算法构建人员-工单权重匹配模型，具体步骤如下：

E1.现场故障处理人员属性特征定义

从营销应用系统档案数据库中分别获取现场故障处理人员的工龄、技能专业和台区信息并进行人员属性特征定义；

基于工龄的特征定义：将不同人员的工龄差距阈值设为1，工龄不满足1时向下取整。设人员u的工龄为A_u，人员工龄的定义如下：

技能专业类别包括采集异常、计量异常、补抄工单、现场停复电、现场电表校时工单、电能表密钥下装、电价调整、采集终端密钥下装、费控工单、巡视工单，定义如下：

T＝[t₀,t₁，…,t_N]

其中，t_N取0表示不具备该技能专业，取1表示具备该技能专业。

基于台区的特征定义如下:

L＝[l₀,l₁，…,l_N]

其中，l_N取0表示不在一个台区，取1表示在一个台区。

E2.从营销应用系统档案数据库中分别获取人员的处理工单历史记录，依此确定每一个人的不同类别工单的处理数量，并基于数量构成人员-工单处理记录矩阵，并采用余弦相似度算法计算人员处理记录相似度。

余弦相似度算法计算过程为：

其中：S＝{s₁,s₂,…,s_g}表示工单类集合，工单类个数为g；N_u,s和N_v,s分别表示人员u和人员v对工单类集合s的处理工单个数。此处以其中五个人员为例，如表3a和表3b所示：

表3a人员-工单处理记录矩阵

表3b人员-工单处理记录矩阵

以人员1和人员2为例，通过上述余弦相似度算法可计算得到两人的处理记录相似度约为0.7；人员属性信息如表4所示：

表4人员属性信息

工龄差距比较小的人员更有可能具有相似的擅长处理经验，当满足在步骤E1里边的关于工龄的特征定义时，即认为各人员的工龄属性相同，即相似度为1，人员基于工龄的定义相似度计算公式如下：

技能专业也会对人员产生影响，可以使用技能专业属性衡量两个人员的相似度。设人员u的技能专业为T_u，人员v的技能专业为T_v，则两个用户的技能专业相似度计算为：

人员的位置信息也是影响异常工单派发需要考虑的重要因素之一，将不同台区之间的相隔个数阈值设为0，台区之间相隔个数小于等于0时，便认为各台区中各人员的位置属性相同，即相似度为1，可以设定共有n(某地区共有20个台区)个台区，设在第u台区有人员L_u，在第v台区有人员L_v，人员基于不同台区分布的相似度计算公式如下：

综合以上信息，可以得到最终的人员特征相似矩阵为：

其中：α+β+δ＝1；α,β,δ∈[0,1]，分别表示不同属性的权重，此处令α＝0.2，β＝0.4，δ＝0.4。

仍以人员1和人员2为例，通过上述人员特征相似矩阵的计算可得到两人的人员特征信息相似度约为0.1；

人员相似度计算为人员处理记录相似度结合人员特征信息相似度，人员相似度的最终计算为：

Sem_b(u,v)＝γSem^Label1(u,v)+(1-γ)Sem^Label2(u,v)

其中，γ表示权重参数，此处设为0.5。则人员1和人员2的人员相似度为

Sem_b(人员1,人员2)＝0.5×0.7+0.5×0.1＝0.4。

E3.人员与工单项目的匹配特征值计算

假设异常工单分派系统中有M个人员特征信息和N个工单类别，那么人员与工单类别的匹配矩阵R可以分解为人员潜在特征矩阵的转置U^T与工单类别潜在特征矩阵V的乘积。匹配矩阵R中的元素R_i,j表示人员Worker_i与工单类别Type_j的匹配情况，U_i和V_j分别表示特征矩阵U和V的列向量。PMF模型如图4所示。

概率矩阵分解模型假定人员的每个观测值U_i都是独立同分布，且特征矩阵U服从均值为0、方差为σ_U ²的高斯先验分布，则有：

同理特征矩阵V也服从均值为0、方差为σ_V ²的高斯分布，V的高斯先验分布满足下式：

同时假设人员与工单类别匹配的真实值和预测值之差也服从均值0、方差为σ_R ²的高斯分布，则匹配矩阵R满足的条件概率如下式所示：

根据贝叶斯公式得到潜在特征矩阵U和V的后验概率分布如下式所示：

最大化后验概率等价于最小化二次正则化项平方误差之和函数，由此得到目标函数：

其中：λ_U＝σ_R ²/σ_U ²；λ_V＝σ_R ²/σ_V ²；λ_U和λ_V为正则化系数。

E4.在新人员加入时，基于人员相似度，选择最邻近的m个人，获取其人员-工单的权重值。

在概率矩阵分解模型中融合步骤E2计算得到的人员相似度，考虑相似人员对人员Worker_i的影响，将Worker_i的潜在特征向量表示为其相似人员潜在特征向量的加权和，计算公式为：

其中：M_i表示Worker_i的w个相似邻居的集合；U_e表示Worker_i的相似邻居_e的潜在特征向量；P_e,i表示用户Worker_i和其相似邻居e的相似度。对P_e,i进行归一化处理，则有：

最后输出匹配矩阵R即人员Worker_i与工单类别Type_j的匹配情况。

F.基于人员-工单匹配矩阵，采用KM算法实现人员与待分配工单的分派，输出人员-工单分派结果；

所述步骤F，采用KM算法实现人员与待分配工单的匹配，具体步骤如下：

F1.在上述步骤E中已经计算出人员与工单类别的匹配特征值，此时，将现有的空闲人员和待分配工单作为顶点并为其赋值，图6中的X集合代表人员，Y集合代表工单，对于图中的任意一个节点，给定一个函数l求出节点的顶标值。为了方便描述，规定l_x(x)和l_y(y)分别记录集合X和集合Y中的结点顶标值，初始时设定l_x(x_i)的值为与x_i相关联的边e(x_i,y_i)的最大权值ω(x_i,y_i)，令l_y(y_i)＝0，满足l_x(x_i)+l_y(y_i)≥ω(x_i,y_i)，即将人员的顶点赋值为最大权重，待分配工单的顶点赋值为0；

F2.在进行匹配时，匹配原则是只与权重相同的边匹配，若是找不到边匹配，对此条路径的所有人员修改可行顶标的值，对于访问过的顶点x，将它的可行顶标减去d：

而对于所有访问过的顶点y的可行顶标增加d，其中，S∈X,B∈Y；

F3.当匹配发生冲突时，只能让已完成匹配的人员换一个降低期望值最少的的工单来使得当前人员可以完成匹配；

F4.重复F2、F3步骤的操作，直到所有人员都完成工单匹配。

G.将区域按照台区进行分区，根据人员-工单分派结果，判断每个分区是否均有现场处理人员，若是，则按照人员-工单分派结果发放工单分派信息，若否，则进行人工干预调整人员-工单分派结果，在确保每个分区均可实现紧急事件处理的前提下，发放工单分派信息。

现场处理情况如表5所示：

表5现场处理情况对比

注：工单处理满意度1-10分，满意度与分数成正比。

H.基于现场反馈异常工单的处理结果，及时更新步骤B的异常工单样本数据。

实施例3：

本实施例提供了一种自适应匹配的电力终端异常工单分派系统，包括数据采集模块、异常工单类识别模块、异常工单处理模块、人员-工单匹配矩阵获取模块和工单分派模块；

实施例4：

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的自适应匹配的电力终端异常工单分派方法的步骤。

实施例5：

本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了实施例1所述的自适应匹配的电力终端异常工单分派方法的步骤。

以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims

1.一种自适应匹配的电力终端异常工单分派方法，其特征在于，包括：

剔除可远程修复类异常工单，获得现场处理类异常工单；

2.如权利要求1所述的一种自适应匹配的电力终端异常工单分派方法，其特征在于，所述终端异常故障识别模型的构建包括：

采用LSTM算法对输入样本集数据工单类型的判别；

3.如权利要求2所述的一种自适应匹配的电力终端异常工单分派方法，其特征在于，所述终端异常故障识别模型练时，将初始样本集中的正常样本集和异常样本集按照预设比例分为训练集、测试集和验证集。

4.如权利要求1所述的一种自适应匹配的电力终端异常工单分派方法，其特征在于，人员-工单权重匹配模型的构建包括：

5.如权利要求1所述的一种自适应匹配的电力终端异常工单分派方法，其特征在于，采用KM算法实现人员与待分配工单的分派，包括：

重复匹配过程，直到所有人员都完成工单匹配。

6.如权利要求1所述的一种自适应匹配的电力终端异常工单分派方法，其特征在于，将区域按照台区进行分区，根据人员-工单分派结果，判断每个分区是否均有现场处理人员，若是，则按照人员-工单分派结果发放工单分派信息，若否，则调整人员-工单分派结果，在确保每个分区均可实现紧急事件处理的前提下，发放工单分派信息。

7.如权利要求1所述的一种自适应匹配的电力终端异常工单分派方法，其特征在于，基于现场反馈异常工单的处理结果，及时更新处理工单的历史记录信息。

8.一种自适应匹配的电力终端异常工单分派系统，其特征在于，包括数据采集模块、异常工单类识别模块、异常工单处理模块、人员-工单匹配矩阵获取模块和工单分派模块；

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的自适应匹配的电力终端异常工单分派方法的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的自适应匹配的电力终端异常工单分派方法的步骤。