电力客户服务中心抢修工单信息动态分配方法

邓志东， 吕静贤， 徐胤， 徐景龙， 李杰

(1.国家电网有限公司客户服务中心， 天津 300309； 2.国网信息通信产业集团有限公司， 北京中电普华信息技术有限公司， 北京 100085)

0 引言

电力网络故障抢修信息在公司内部各职能单位之间一直以来都是以电话、短信或者OA办公系统等相对简单的手段进行流转。用这些方式进行信息流转存在出错概率大、记录完整性差、可追溯性差、数据统计分析能力差等弊端[1]。抢修工单信息动态分配过程中易出现局部最优解，导致分配调度能力下降，相关的电力客户服务中心抢修工单信息调度和优化调度方法研究受到人们的极大关注[2]。

电力客户服务中心抢修工单信息派送和调度建立在对电力客户服务中心抢修工单信息融合和大数据分析基础上，通过电力终端用户特征分析方法，进行电力客户服务中心抢修工单信息动态分类，提高电力客户服务中心抢修工单信息的动态分类和信息调度能力。

传统方法中，对电力客户服务中心抢修工单信息分类方法主要有层次化分块方法、模块化分配方法和分区块融合聚类分析方法[3-4]，结合对电力客户服务中心抢修工单信息的特征分类进行信息融合和优化调度，文献[5]运用基于密度的聚类简化多维数据间的联系,提出了基于区间集理论和密度聚类的状态异常检测模型及方法,将其应用于电力公司提供的变压器状态评估实例中,结果表明该方法能快速有效地检测出电力设备的状态异常,可作为电网故障检修的决策依据，但该方法进行电力客户服务中心抢修工单信息动态分配的自适应性不好，特征融合度不高。文献[6]提出一种改进的k-means算法与数据降噪处理相结合的方法。DBSCAN(基于密度的空间聚类算法)用于数据去噪，克服了原始k-means聚类算法聚类结果容易受到数据集中噪声点的影响，然后利用轮廓系数与误差平方和确定最优的聚类数，将k-means++聚类算法和确定的最优聚类数用于聚类处理用户负荷曲线，这使得聚类算法避免陷入局部最优，但是该方法的计算模糊度较大，抗干扰性不好。

针对上述问题，本文提出基于大数据信息融合和动态寻优控制的电力客户服务中心抢修工单信息动态分配方法。首先通过对电力客户服务中心抢修工单信息结构重组，采用粒子群算法进行电力客户服务中心抢修工单分配过程中的动态寻优和自适应控制，然后结合全局寻优方法，建立电力客户服务中心抢修工单信息派送的多目标寻优模型构建，结合多目标全局综合调度，实现电力客户服务中心抢修工单信息的优化分配和自适应调度。

1 电力客户服务中心抢修工单信息融合和特征采样

1.1 电力客户服务中心抢修工单信息融合

为了实现电力客户服务中心抢修工单信息动态分类，建立电力客户服务中心抢修工单信息的动态信息融合模型，本文采用多叉树网络组网和ZigBee组网技术，构建电力客户服务中心抢修工单的网络动态分布结构模型，结合多叉树特征分解，进行电力客户服务中心抢修工单信息的寻优路径分析[7]，得到电力客户服务中心抢修工单信息分布域中含有N个节点;结合模糊空间调度和路径寻优，构建自适应寻优模型，得到电力客户服务中心抢修工单信息派送节点属性匹配度，在多目标进化寻优条件下，得到电力客户服务中心抢修工单信息采样模型[8]，得到电力客户服务中心抢修工单信息分配的最优解，通过空间路径搜索，得到特征分布集，通过动态寻优控制，得到电力客户服务中心抢修工单信息交互信息融合特征分布权重ω的值为

ω=a+bωi

(1)

其中，a为电力客户服务中心抢修工单信息交互信息融合匹配参数，b为电力客户服务中心抢修工单信息分配的最优解，ωi为电力客户服务中心抢修工单信息i的融合特征分布权重。假设电力客户服务中心抢修工单分配的权重因子表达式为

(2)

其中，xi(t)为电力客户服务中心抢修工单信息i在t时刻的特征匹配参数，vi(t)为电力客户服务中心抢修工单信息i在t时刻的派送节点属性匹配度。在通过多次迭代更新，得到电力客户服务中心抢修工单信息融合的动态分布集合为

B=(y1,y2,…,yN)

(3)

其中，y1,y2,…,yN为电力客户服务中心抢修工单信息融合动态分布元素。通过上述设计，构建电力客户服务中心抢修工单信息融合和特征序列重构模型[9]，以此为基础进行派工过程调度，得到自动排序输出为

F(i)=AdS(i)-ωdT(i)

(4)

其中，dS(i)为电力客户服务中心抢修工单信息分配的粒子权系数，通过等效路径自动分配，得到dT(i)表示电力客户服务中心抢修工单信息的融合度，根据电力客户服务中心抢修工单信息融合结果，进行动态分配[10]。

1.2 电力客户服务中心抢修工单信息特征分析

建立大数据信息融合模型，构建电力客户服务中心抢修工单信息的选择模型，结合大数据融合方法进行电力客户服务中心抢修工单信息融合和特征匹配[11]，根据最短路径控制，得到电力客户服务中心抢修工单信息的优化配置准则函数。当控制函数达到最小时，进行电力客户服务中心抢修工单分配的自适应迭代，直至聚类的中心收敛，由此得到电力客户服务中心抢修工单信息模糊度分布协方差为

(5)

其中，n为电力客户服务中心抢修工单信息分配的粒子个数，fi为第i个工单信息分布的适应度函数，favg为电力客户服务中心抢修工单信息匹配度函数，f为电力客户服务中心抢修工单信息模糊度函数，当σ2

D=(zi1+zj1)2+…+(zid+zjd)2

(6)

其中，d为特征匹配融合系数，对于任意的电力客户服务中心抢修工单信息数据点zi和zj之间的特征匹配度，值越小，电力客户服务中心抢修工单信息的相似度越好，得到进行电力客户服务中心抢修工单信息的多目标寻优的优化参数分布。根据粒子群寻优结果，得到信息融合输出：

E=min{max[d(zi,F(i)]}-σ2

(7)

通过空间信息聚类方法，进行电力客户服务中心抢修工单信息聚类和分类调度[13]。

2 电力客户服务中心抢修工单动态分配优化

2.1 电力客户服务中心抢修工单信息调度

结合粒子群算法的全局寻优特性[14]，得到电力客户服务中心抢修工单信息动态分配的响应特征函数满足为

(8)

结合网格区域分配方法，得到电力客户服务中心抢修工单信息的网格聚类分配特征属性集。构建电力客户服务中心抢修工单信息动态分配信息的层级结构模型，对电力客户服务中心抢修工单信息的多目标样本集属性进行规范化处理，得到输出稳定性特征量表示成：

H=h*f(z)

(9)

其中，h为电力客户服务中心抢修工单信息稳定系数，f(z)为输入的电力客户服务中心抢修工单信息动态分配信息的标量时间序列，*为卷积运算。电力客户服务中心抢修工单信息动态分配的特征采样点(p,q)，电力客户服务中心抢修工单信息的优化选择的权重矢量为α=(αp,αq)，当且仅当：

(10)

对于输入的信息参数进行特征优选控制，采用自适应寻优方法，得到差异度函数为

M=h(r,s,l)

(11)

其中，r为电力客户服务中心抢修工单信息分布节点的度，h表示分配的可靠性函数，s和l分别为电力客户服务中心抢修工单信息的分布差异度函数和融合度函数，通过参数寻优结果，进行动态调度和分配[15]。

2.2 动态分配寻优算法

电力客户服务中心抢修工单信息动态调度的目标函数为

(12)

(13)

结合多目标全局结合调度，在电力客户服务中心抢修工单信息动态分配区域的动态决策范围内，得到优化的目标函数为

(14)

其中，Ik1,k2表示2个电力客户服务中心抢修工单信息在空间分布直线路径，k1,k2分别表示节点。通过上述计算，完成电力客户服务中心抢修工单信息自适应调度，实现电力客户服务中心抢修工单信息的最优动态分配。

3 仿真实验与结果分析

为了验证本文方法在实现电力客户服务中心抢修工单信息动态分配中的应用性能进行仿真测试分析，实验采用MATLAB设计，对电力客户服务中心抢修工单信息调度的节点个数为120，相似度特征分布系数为ε=0.89，特征聚类的差异度系数为0.83，工单的属性为124个。

通过工作人员对事故地点的选定来获取监测点，业务逻辑层通过检索数据层给出各个检测点的详细信息。系统有自动刷新的功能，每间隔 30 s，系统就会读取数据库的事故记录表，如果有新事故发生，系统将自动创建Info Window 对象，将事故标记在地图中，并且图标会闪烁以动画提示，如图1所示。

图1 自动刷新事故信息

电力客户服务中心抢修工单信息动态分配的初始路径规划如图2所示。

图2 抢修工单信息动态分配的初始路径规划图

采用本文方法进行电力客户服务中心抢修工单信息动态分配，得到优化分配路径如图3所示。

图3 优化后的电力客户服务中心抢修工单信息分布路径

分析图2、图3可知，采用本文方法能有效实现电力客户服务中心抢修工单的路径优化规划设计，提高了派工效率，测试参数性能，得到对比结果见表1。分析表1得知，采用本文方法进行电力客户服务中心抢修工单分配的时间开销较小，提高了调度效率。

表1 参数性能对比

4 总结

研究电力客户服务中心抢修工单信息自动化派送和调度方法，结合对电力客户服务中心抢修工单信息的大数据组合分析，进行自动化特征匹配和排队序列分布，本文提出了基于大数据信息融合和动态寻优控制的电力客户服务中心抢修工单信息动态分配方法。构建电力客户服务中心抢修工单信息动态分配信息的层级结构模型，对电力客户服务中心抢修工单信息的多目标样本集属性进行规范化处理，结合多目标全局综合调度，实现电力客户服务中心抢修工单信息的优化分配和自适应调度。本文方法进行电力客户服务中心抢修工单信息动态分配的自适应性较好，时间较短，提高了派工效率。