一种多维优化的电力工单智能派发方法
文献发布时间:2023-06-19 12:19:35
技术领域
本发明涉及电力服务与管理技术领域,具体涉及一种电力工单的派发方法。
背景技术
随着社会发展,人们对用电的依赖程度也越来越大,当电力系统发生故障时,提交电力工单让维修工作人员及时视察维修变得更加迫切。然而现在电网公司的电力工单一般都是采用人工处理,在进行调度处理的过程中,依赖于安排者的统筹规划能力,具有极大不确定因素的特点,且应对突发的工单情况,应急处理的效果不好。
因为电力工单数量庞大,且电力工单的派发大都是人为操作,所以在有限时间内难以在综合考虑工单诉求类型、地理、交通、紧迫性、成本等多方面信息的前提下合理指派每一个电力工单,现有技术虽然也逐渐出现了一些借助计算机的订单分派方法,但在派单过程中仍然存在四个方面的问题:一是需要人工参与派发,无法做到全自动,二是无法甄别供区交叉处的故障报修工单归属,工单在供区之间存在转派情况,影响派单和抢修效率;三是当前派单算法未关注客户诉求,未结合工单内容和多信息评估客户诉求的紧急程度、舆情风险、故障处理难度;四是不能动态监测报修总量,发起预警并协助各单位进行抢修服务资源配置。
发明内容
针对上述技术的不足,本发明提供了一种多维优化的电力工单智能派发方法,解决如何兼顾优化服务成本、服务质量与服务效率的技术问题。
为解决上述技术问题,本发明的技术方案如下:获取维修订单,所述维修订单包含如下信息:故障描述、故障位置与订单响应时间要求;
根据订单分类规则将维修订单划分为紧急订单与滞留订单;若为紧急订单立即发送给工单安排模块;若为滞留订单,并在规定时间T内发送给工单派发模块;
工单派发模块对已接收的一个或一批维修订单进行派单处理:根据维修订单中的故障位置与当前可接单工作人员的位置信息在工单地图上筛选最优路径:使每个故障位置均有工作人员接单,并且遍历故障位置的总路径最短;所述当前可接单工作人员是指处于可接单状态并且具备故障处理能力的工作人员;根据最优路径为每个维修订单生成匹配有相应工作人员的电力工单,并将电力工单派发给相应工作人员。
进一步的,订单分类规则如下:根据维修订单中故障描述与订单响应时间要求对维修订单分类;若故障描述与订单响应时间要求中的任意一项满足紧急要求,则将维修订单划分为紧急订单,并立即发送给工单安排模块;若故障描述与订单响应时间要求均不满足紧急要求,则将维修订单划分为滞留订单,并在规定时间T内发送给工单派发模块;
通过评分函数划分紧急订单与滞留订单:
式中,Degree表示紧急度评分;当维修订单中的故障描述question属于紧急任务列表list
进一步的,通过文本语意识别从维修订单中提取客户诉求类型和敏感信息,同时通过来电号码、地址匹配客户前期报修信息,校核客户所属供区,判断客户是否为敏感客户、是否有急用电诉求、是否为群体诉求、是否为重复诉求、历史故障处理难度,按照权重赋值的方式对工单的紧急程度进行评估,超过分数阈值即紧急订单,立即发送给工单安排模块。
进一步的,当工单安排模块接收到滞留订单时,工单安排模块中断紧急订单,并对滞留订单进行派单处理;滞留订单通过以下方式在在规定时间T内发送给工单安排模块:
设置标准发送时间为T
进一步的,当滞留订单超过目前可接单工作人员数量的2倍时,则提前发送至工单派发模块;所述目前可接单工作人员包括目前空闲工作人员以及即将在t时间内完成电力工单并且暂无下一电力工单的工作人员。
进一步的,当滞留订单预测模块预测到下一时刻将新增预测滞留订单,并且新增数量超过3个时,则在规定时间T内延迟发送至工单派发模块,使得当下一时刻真实新增滞留订单时,当前滞留订单能够与真实新增的滞留订单一同发送给工单派发模块。
进一步的,所述滞留订单预测模块基于强化学习构建预测模型,采用历史数据进行训练,训练过程中通过预测模型输出预测滞留订单的故障时间与故障位置,与真实滞留订单出现的故障时间和故障位置进行对比,给模型预测的结果进行打分,并根据分数对模型进行奖惩,以优化模型参数。
进一步的,采用免疫遗传算法筛选最优路径,设置以下约束条件:a)一个维修订单仅由一个工作人员接单;b)一个工作人员接多个维修订单时,必须有先后顺序。
与现有技术相比,本发明具有的优点包括:
1、本发明首先考虑了维修订单之间的关系,分清轻重缓急,优先处理紧急订单,同时对滞后订单处理时间设限,使得滞后订单也能得到及时处理,避免长久拖延,缩短了派单响应时间,提高了客户满意度。本发明还考虑了接单工作人员与故障点之间的位置关系,筛选出最优路径,从而降低服务成本。本发明为每个维修订单匹配的是当前可接单工作人员,能够处理好故障情况,保证了服务质量,再加上考虑了路径优化,能够在接单后较快到场,提高服务效率。然而,现有技术通过用户自行选择(一般需要预约)或接单人员抢单的方式,均缺乏对接单人员工作能力、工作状态与路径的综合考虑,无法保证接单后较快到场。因此,本发明能从服务成本、服务质量与服务效率上多维优化派单,为维修订单动态匹配出满足优化要求的工作人员
2、通过设置提前发送条件,将滞留订单提前派单,并将即将完成作业的工作人员也纳入当前可接单工作人员,不仅缓解了人员不够的压力,同时结合路径规划,有利于减少工作人员的交通时间,提高了服务效率。
3、设置延迟发送条件,将滞留订单延迟发送,能够以较小的延迟代价来提高后续新增滞留订单的处理效率,是后续新增滞留订单得到提前处理,不仅提高了服务效率,且能够缓解滞留订单压力。
4、采用免疫遗传算法筛选最优路径,通过设置“一个维修订单仅由一个工作人员接单”的约束条件,可使处理完一批维修订单的总人数最少,从而降低服务成本。同时,通过对接单顺序的约束,符合实际作业情况,排除了不现实的路径规划,还减低了运算量。
5、时间规划结合路径,使接单工作人员执行工作任务时具有计划性,十分有条理,便于提高服务效率。
6、本发明的基于多信息融合的工单智能指派派发算法提高了工单派发的准确性、及时性与自动化,转变过去关注工单为关注客户诉求的派单模式,最终对提高故障处理效率、缩短客户停电等待时间、提高客户用电服务感知有积极的效果。其次也省去了一线抢修人员对工单进行分类的过程,为工作人员全面了解客户诉求、了解故障情况做出了有效支撑。
附图说明
图1为多维优化的电力工单智能派发方法流程框图。
图2为滞留订单的延迟架构图。
图3为滞留订单预测模块的强化学习训练的流程图。
具体实施方式
一)获取维修订单
本具体实施方式中多维优化的电力工单智能派发方法流程,参考图1所示,当客户出现电力故障情况,进行维修订单的申请,填写相关信息后发送到远程派单系统,从而使系统获取维修订单,所述维修订单包含如下信息:故障描述、故障位置与订单响应时间要求。
二)订单分类
根据维修订单中故障描述与订单响应时间要求对维修订单分类;若故障描述与订单响应时间要求中的任意一项满足紧急要求,则将维修订单划分为紧急订单,并立即发送给工单安排模块;若故障描述与订单响应时间要求均不满足紧急要求,则将维修订单划分为滞留订单,并在规定时间T(如从接收维修订单开始3个小时内)内发送给工单派发模块。
通过评分函数划分紧急订单与滞留订单:
式中,Degree表示紧急度评分;当维修订单中的故障描述question属于紧急任务列表list
表1紧急任务列表
本发明还提供了另一种订单分类规则:通过文本语意识别从维修订单中提取客户诉求类型和敏感信息,同时通过来电号码、地址匹配客户前期报修信息,校核客户所属供区,判断客户是否为敏感客户、是否有急用电诉求、是否为群体诉求、是否为重复诉求、历史故障处理难度,按照权重赋值的方式对工单的紧急程度进行评估,超过分数阈值即紧急订单,立即发送给工单安排模块。
三)派单处理
工单派发模块对已接收的一个或一批维修订单(滞留订单或紧急订单)进行派单处理,为了提高滞留订单处理效率,当工单安排模块接收到滞留订单时,工单安排模块中断紧急订单,并对滞留订单进行派单处理。
首先,根据维修订单中的故障位置与当前可接单工作人员的位置信息在工单地图上筛选最优路径:使每个故障位置均有工作人员接单,并且遍历故障位置的总路径最短;本具体实施方式中,采用免疫遗传算法筛选最优路径,设置以下约束条件:a)一个维修订单仅由一个工作人员接单;b)一个工作人员接多个维修订单时,必须有先后顺序。
当前可接单工作人员是指处于可接单状态并且具备故障处理能力的工作人员;可接单状态包括空闲状态或即将在t(如20分钟)时间内完成电力工单并且暂无下一电力工单的状态。具备故障处理能力的工作人员是指经过预先筛选注册的工作人员,具备电工资格并经过培训和\或者具备一定维修经验。
然后,根据最优路径为每个维修订单生成匹配有相应工作人员的电力工单,并为每个电力工单规划工作时间,所述工作时间包括开始时间和预估结束时间;如果订单是安排给某个工作人员的第一个订单,生成订单的时刻就是安排的开始时间;否者,开始时间就是上一订单的预估结束时间。预估结束时间=开始时间+预估路程时间+预估作业时间。
最后,将工作人员相同的电力工单合并后派发给相应工作人员,将工作人员不同的电力工单分别派发给相应工作人员。
本具体实施方式中,滞留订单通过以下方式在在规定时间T内发送给工单安排模块:
设置标准发送时间为T
若满足提前发送条件,则提前发送至工单派发模块:
当滞留订单超过目前可接单工作人员数量的2倍时,则提前发送至工单派发模块;所述目前可接单工作人员包括目前空闲工作人员以及即将在t时间内完成电力工单并且暂无下一电力工单的工作人员。
若满足延迟发送条件,则在规定时间T内延迟发送至工单派发模块:
当滞留订单预测模块预测到下一时刻将新增预测滞留订单,并且新增数量超过3个时,则在规定时间T内延迟发送至工单派发模块,使得当下一时刻真实新增滞留订单时,当前滞留订单能够与真实新增的滞留订单一同发送给工单派发模块;
设置每次延时时间为ΔT(如15分钟),延迟总次数为n,当n·ΔT≥T-T
若既不满足提前发送条件,又不满足延迟发送条件,则在达到标准发送时间T
本具体实施方式中,滞留订单预测模块基于强化学习构建预测模型,采用历史数据进行训练,训练过程中通过预测模型输出预测滞留订单的故障时间与故障位置,与真实滞留订单出现的故障时间和故障位置进行对比,给模型预测的结果进行打分,并根据分数对模型进行奖惩,以优化模型参数。
历史数据包括历史故障关联数据与历史滞留订单数据;故障关联数据包括当地每个季度的天气状况、城市电网设备的位置图、各个电网设备的可使用寿命与已经使用年限;历史滞留订单数据为从历史滞留订单中提取的故障描述、故障时间和故障位置。
参考图3所示,该模型的训练过程由前期训练过程、投放实施中的优化训练过程两部分组成,模型训练的数据包括但不限于当地每个季度的天气状况(降雨量、温度、风力等)、城市电网设备的位置图、各个电网设备的可使用寿命与已经使用年限等。该模型的前期训练所需要的数据通过当地的电力公司提供往年所记载的数据,投放实施中的优化训练过程的数据来源于每次维修订单当时的数据情况。该预测模型采用强化学习的方式,训练过程中通过模型输出预测订单的时间与位置,与真实订单出现的时间和位置进行对比,给模型预测的结果进行打分,并根据分数对模型进行奖惩,模型为了追求高分奖励,不断进行优化参数,强化预测的精准度,不断优化结果。
本算法发明是基于综合考虑电网、天气、交通、配网设备评估、工单地图、诉求类型、紧迫性和成本等信息而设计,实现每个电力工单能得到最优和最合理的指派,并且由于本发明是一个智能指派算法,不受人为判断的主观、情绪化影响,具有可靠、稳定的特点。
- 一种多维优化的电力工单智能派发方法
- 一种电力工单自动生成派发方法