[发明专利]一种配网抢修时长预测方法

说明书

本发明涉及一种配网抢修时长预测方法，其包括如下步骤：引入客户报修诉求工单文本信息并进行数据预处理，将工单文本中的非结构化数据转换为结构化数据，并通过朴素贝叶斯模型进行分类，筛选真实故障报修工单；依据筛选故障报修工单，获取对应配网抢修数据建立聚类细分模型，确定不同类别的标杆时长区间，划分故障紧急等级；结合用户基本信息，根据细分结果，结合故障发生当日的气象因素建立GBDT回归预测模型，预测新上报抢修工作时长；本发明整个分析过程无需大量人员参与，节约人力财力的同时利用文本挖掘技术将抢修单、投诉工单进行分类，筛选故障报修信息，提高了分析结果的准确性。

技术领域

本发明属于配电网领域，具体涉及一种配网抢修时长预测方法。

背景技术

配网故障的发生严重影响电网公司供电可靠性，凭借现有方法能够有效降低故障发生率，但是还不能达到完全避免配网故障的水平。因此，如何提高故障抢修效率引起越来越多的关注，成为急需解决的问题。

现有提升配网抢修效率的方法主要从故障抢修效益、配网自动化、故障应急预案等方面进行研究，对配网抢修时长的研究尚少。但是，配网抢修时长对提高抢修效率起着极其重要的作用，因此，本发明提出一种配网故障抢修时长预警方法。

发明内容

本发明所要解决的技术问题是提供一种配网抢修时长预测方法，以解决当前配网抢修作业效率不高、复电时间不明确，电力用户对电网供电满意度不高的问题，构建基于配网抢修时长的抢修效率提升方法。

本发明所采用的技术方案是：

一种配网抢修时长预测方法，其包括如下步骤：

(1)引入客户报修诉求工单文本信息并进行数据预处理，将工单文本中的非结构化数据转换为结构化数据，并通过朴素贝叶斯模型进行分类，筛选真实故障报修工单；

(2)依据筛选故障报修工单，获取对应配网抢修数据建立聚类细分模型，确定不同类别的标杆时长区间，划分故障紧急等级；

(3)结合用户基本信息，根据细分结果，结合故障发生当日的气象因素建立GBDT回归预测模型，预测新上报抢修工作时长。

进一步的，所述客户报修诉求工单文本信息来源于95598系统受理用户的故障报修单。

进一步的，配网抢修数据的因素包括一级分类、二级分类、三级分类、派工用时、到达现场用时、工单处理时长以及抢修总时长。

进一步的，所述数据预处理基于文本分词的标点符号处理、同义词处理以及停用词处理。

进一步的，利用自然语言处理技术，将工单文本中的非结构化数据转换为结构化数据，所述自然语言技术是基于分词结果，依据工单--主题--分词关系，通过训练生成倾向于同时出现在多个同类型工单文档中的主题，以便进行下一步文本分类。

进一步的，所述朴素贝叶斯模型基于客户工单的主题计算该工单为某一主题内容的概率，通过选定的朴素贝叶斯算法构建分类模型，最终实现给定投诉工单的自动分类。

进一步的，所述聚类细分模型是基于kmeans的快速聚类，随机选取K个对象作为初始的聚类中心，计算每个对象与各个种子聚类中心之间的距离，并把每个对象分配给距离它最近的聚类中心，如此迭代，直至各类中心不发生变化。

进一步的，所述标杆时长区间是分类模型结果中不同故障类别中的置信区间。

进一步的，所述用户基本信息包括用户姓名以及通信联系方式，主要用于及时反馈预测停送电信息。

进一步的，所述GBDT回归预测模型通过迭代预测上次预测值和实际值的残差，构建多个弱学习器CART树，要求模型预测的样本损失尽可能的小，最后结果即是所有预测值之和。

本发明的积极效果为：