石 磊

（上海宏力達信息技術(shù)股份有限公司）

0 引言

隨著社會的發(fā)展，人們對電力需求不斷增加，配電網(wǎng)規(guī)模也隨之變大，電力用戶數(shù)量不斷增長［1］。配網(wǎng)生產(chǎn)指揮中心作為配網(wǎng)業(yè)務(wù)樞紐，一方面接入的信息化系統(tǒng)眾多，信息數(shù)據(jù)日益增加而利用效率不斷降低［2］；另一方面因配網(wǎng)生產(chǎn)指揮面廣，存在大量簡單重復(fù)串行的機械流程，不僅指揮效率低，易造成配網(wǎng)生產(chǎn)指揮業(yè)務(wù)“樞紐擁堵”效應(yīng)［3］。因此配網(wǎng)生產(chǎn)指揮業(yè)務(wù)迫切需要流程再造，利用人工智能技術(shù)提升效率［4］。

在此領(lǐng)域，部分學(xué)者已經(jīng)率先開展了研究工作。文獻［5］提出電網(wǎng)調(diào)控操作智能助手的方案，通過態(tài)勢感知電網(wǎng)異常和事故點，為操作人員提供智能輔助決策。文獻［6］研究了基于DNN－HMM神經(jīng)網(wǎng)絡(luò)的原理和特點，通過聲學(xué)模型訓(xùn)練和語料制作，應(yīng)用于D5000廠區(qū)提高工作效率。文獻［7］基于電網(wǎng)調(diào)控業(yè)務(wù)現(xiàn)狀和痛點，提出“虛擬調(diào)度員”概念，但僅對相關(guān)技術(shù)進行研究，缺少實際案例的設(shè)計和驗證過程。

本文提出通過機器學(xué)習(xí)配網(wǎng)線路調(diào)度規(guī)程、專家經(jīng)驗、電網(wǎng)業(yè)務(wù)數(shù)據(jù)后，利用語音識別、語義理解、多輪人機對話等技術(shù)，實現(xiàn)“虛擬調(diào)度指揮員”。并將研究成果應(yīng)用于國網(wǎng)某省級公司配網(wǎng)分支線計劃檢修和配網(wǎng)主干線計劃檢修的生產(chǎn)環(huán)境中。

1 現(xiàn)狀分析

配網(wǎng)生產(chǎn)指揮中心主要工作分布于配網(wǎng)主干線和配網(wǎng)分支線。配網(wǎng)主干線調(diào)度工作過程包括調(diào)度員根據(jù)計劃檢修開具主干線操作票，依照工作步驟通過與現(xiàn)場人員電話交互完成配網(wǎng)主干線的調(diào)度指揮工作。配網(wǎng)分支線調(diào)度涉及的過程相對簡單，但調(diào)度員還需面對業(yè)務(wù)規(guī)則更加復(fù)雜，智能化、安全化水平要求更高的調(diào)度指揮業(yè)務(wù)，因此需研究引入更加穩(wěn)定、安全、可靠的AI智能引擎，徹底實現(xiàn)配網(wǎng)調(diào)度的智能化指揮。

配網(wǎng)生產(chǎn)指揮中心作為配網(wǎng)業(yè)務(wù)樞紐涉及到調(diào)度自動化、配電自動化、PMS、OMS、配網(wǎng)管控平臺、現(xiàn)場電話等諸多信息。每日處理的故障、異常信息達到千條以上，并在日益增加中。以人口超過1000萬的某超大型城市為例，配網(wǎng)生產(chǎn)指揮中心一年至少處理500余起故障，以及上千萬條缺陷信息，指揮人員每天需要查看至少3000條以上自動聲光報警信息，其中有大量、單一的重復(fù)性工作。

2 AI引擎關(guān)鍵技術(shù)

本文通過利用語音識別、NLP自然語言處理、多輪人機對話等技術(shù)構(gòu)建一套能夠自主理解配網(wǎng)調(diào)度規(guī)程、專家經(jīng)驗、電網(wǎng)業(yè)務(wù)數(shù)據(jù)的配網(wǎng)智慧生產(chǎn)指揮AI引擎。

2.1 語音識別技術(shù)

在電力配網(wǎng)領(lǐng)域，目前還沒有直接可用的語音模型，所以需要針對具體的電力業(yè)務(wù)進行專門模型訓(xùn)練。語音識別模型訓(xùn)練優(yōu)化功能包括聲學(xué)模型訓(xùn)練和語言模型訓(xùn)練兩個組成部分［6］。

（1）聲學(xué)模型訓(xùn)練

聲學(xué)模型訓(xùn)練需通過大量的音頻數(shù)據(jù)幫助引擎訓(xùn)練模型。由于電力配網(wǎng)工作環(huán)境的特殊性，需要在現(xiàn)場噪音下對基本音素識別，語音數(shù)據(jù)為PCM格式，采樣率8k，對每一個音頻文件進行人工標(biāo)注，標(biāo)注出音頻中的文字內(nèi)容，以及文字的對應(yīng)時間信息。

（2）語言模型訓(xùn)練

電網(wǎng)調(diào)度指揮語音識別語言模型采用BERT模型，調(diào)度語句的每個輸入切分單元共包含4個類別的特征，即語義特征、位置特征、關(guān)鍵字特征和命名實體特征，如圖1所示。通過此方法，可提升模型對調(diào)度指揮生產(chǎn)過程中語言的適應(yīng)性［8］。

圖1 語言模型結(jié)構(gòu)

語言訓(xùn)練模型需要提供大量的調(diào)配工作中的文檔文件，如日常工作記錄、對話記錄、專業(yè)術(shù)語，并將所有文檔整理成指定格式，通過引擎的訓(xùn)練接口上傳并訓(xùn)練，優(yōu)化已有的語言模型［9］。

2.2 NLP類算法

電力行業(yè)有其專業(yè)性，不能完全復(fù)用通用的NLP，需要針對電力行業(yè)特性進行技術(shù)校準和調(diào)整，讓AI可以真正理解現(xiàn)場人員的電力特性的用語表達。

NLP類算法主要包括分詞（含詞性標(biāo)注）、實體識別和語義相似度模型［10－11］，來自語音識別轉(zhuǎn)為文字后的文本，經(jīng)過分詞算法和實體識別算法的處理后，將文本中的“班組、姓名、設(shè)備名稱、工作內(nèi)容、收發(fā)令時間”等關(guān)鍵信息抽取出，與操作票中對應(yīng)的“班組、姓名、設(shè)備名稱、工作內(nèi)容、收發(fā)令時間”進行相似度比對，在達到一定閾值的情況下，則給出“是／否”匹配的信號到對話引擎，由其通過預(yù)置好的對話模板給出回應(yīng)文字，并由語音合成后通過電話語音告知對方。語義理解數(shù)據(jù)打標(biāo)實現(xiàn)過程詳見圖2。

圖2 數(shù)據(jù)打標(biāo)實現(xiàn)過程

2.3 多輪人機對話

虛擬調(diào)度指揮人機對話模式屬于人機對話技術(shù)發(fā)展的第三階段，是從第一代語音助手，第二代機器人聊天模式，逐步發(fā)展到當(dāng)前的人機場景化任務(wù)執(zhí)行模式。AI配網(wǎng)生產(chǎn)指揮體系能充分理解含有“指代、省略”等復(fù)雜語境與現(xiàn)場工作人員的意圖，并對不理解的信息主動發(fā)問。

人機多輪對話引擎主要是實現(xiàn)流程的控制，即現(xiàn)場配網(wǎng)人員與機器人溝通的流程控制，是整個機器人的大腦，可以理解用戶的通話內(nèi)容，給出正確的應(yīng)答。多輪人機對話引擎之間的模塊交互設(shè)計如圖3所示。

圖3 模塊交互圖

多輪人機業(yè)務(wù)對話技術(shù)替代人工進行電話指揮，實現(xiàn)多線程、多任務(wù)的并行處理工作，打破業(yè)務(wù)高峰期人工接派單遲緩、許可等待“樞紐堵塞”的問題。

3 應(yīng)用實踐

本系統(tǒng)已在國網(wǎng)某省級公司開展試點，應(yīng)用于配網(wǎng)分支線計劃檢修和配網(wǎng)主干線計劃檢修的生產(chǎn)環(huán)境中。

3.1 總體技術(shù)架構(gòu)設(shè)計

AI智能引擎功能模塊部署在配電自動化主站中，作為整個配電自動化主站中的一項子模塊，與配電自動化主站、電話交換系統(tǒng)、調(diào)控云系統(tǒng)實現(xiàn)業(yè)務(wù)數(shù)據(jù)集成交互。通過語音識別、語義意圖理解、機器學(xué)習(xí)專家?guī)斓燃夹g(shù)構(gòu)建調(diào)度及搶修業(yè)務(wù)智能虛擬指揮。配網(wǎng)生產(chǎn)指揮總體技術(shù)架構(gòu)如圖4所示。

圖4 總體技術(shù)架構(gòu)圖

3.2 語音識別功能設(shè)計

配網(wǎng)調(diào)度對話過程，由于施工現(xiàn)場的環(huán)境吵雜音、電力專屬名詞、維修工人的行業(yè)對話習(xí)慣、現(xiàn)場語速和方言夾雜等問題。同時電力業(yè)務(wù)不同于傳統(tǒng)客戶服務(wù)咨詢，要求的準確率非常高，不能出現(xiàn)識別錯誤，否則帶來操作風(fēng)險。

（1）數(shù)據(jù)采集與處理

為了提高語音識別準確度，首先需要采集大量電網(wǎng)調(diào)配人員在真實工作環(huán)境下的語音數(shù)據(jù)，并對每一個音頻文件進行人工標(biāo)注，標(biāo)注出音頻中的文字內(nèi)容，以及文字的對應(yīng)時間信息。音頻數(shù)據(jù)轉(zhuǎn)寫主要由人工完成，包括對音頻數(shù)據(jù)校對、標(biāo)注屬性和轉(zhuǎn)寫內(nèi)容、質(zhì)檢、音頻任務(wù)管理等多個重要流程，詳見圖5。

圖5 語音標(biāo)注流程圖

（2）模型訓(xùn)練與部署

在通用語音模型基礎(chǔ)上，結(jié)合生產(chǎn)調(diào)度領(lǐng)域相關(guān)數(shù)據(jù)進行訓(xùn)練，為虛擬調(diào)度提供“聽覺”能力［12］。將工作人員的通話語音信息實時轉(zhuǎn)換成文字記錄，大幅減少工作人員的人工通話內(nèi)容記錄工作，以提高工作效率［13］。AI虛擬調(diào)度指揮系統(tǒng)語音識別模型訓(xùn)練技術(shù)過程如圖6所示。

圖6 模型訓(xùn)練技術(shù)過程

具體的工作包含以下三個部分。

（1）電話系統(tǒng)區(qū)

電話系統(tǒng)區(qū)主要處理兩項工作，一是通過電話錄音系統(tǒng)將人工調(diào)度錄音傳到服務(wù)器中，在將錄音數(shù)據(jù)拷貝給AI訓(xùn)練工程師進行訓(xùn)練；二是AI引擎將合成的語音流傳回到電話系統(tǒng)，滿足現(xiàn)場人員與“虛擬調(diào)度員”通話條件。

（2）語音識別模型訓(xùn)練區(qū)

在訓(xùn)練區(qū)中需要處理和收集兩類數(shù)據(jù)，一類是電力專業(yè)領(lǐng)域語料數(shù)據(jù)，包含人名、地名、線路名和過去的調(diào)度操作票等文本數(shù)據(jù)；第二類是通過電話系統(tǒng)拷貝的語音數(shù)據(jù)，通過AI訓(xùn)練師利用工具進行標(biāo)注并審核，得到訓(xùn)練語言模型的訓(xùn)練數(shù)據(jù)。

（3）模型部署運行＆后處理區(qū)

模型訓(xùn)練后，語音合成模型部署到生產(chǎn)區(qū)，并提供調(diào)用API的服務(wù)。當(dāng)虛擬調(diào)度員跟現(xiàn)場進行通話時，實時語音流通過調(diào)度電話軟交換系統(tǒng)，以SIP協(xié)議的方式傳輸?shù)紸I引擎，AI引擎將語音流數(shù)據(jù)調(diào)用語音識別API，獲取識別文本。識別文本傳輸給AI引擎，AI引擎反饋調(diào)度對話文本，調(diào)用語音合成模型，得到語音流文件，最后傳輸給調(diào)度電話軟交換系統(tǒng)。

通過以上三個作業(yè)步驟，完成了語音從訓(xùn)練到生產(chǎn)使用的完整過程，實現(xiàn)智能化的計劃檢修調(diào)度語音人機交互。

3.3 應(yīng)用效果

在試點項目中，AI引擎技術(shù)進行專門的電力操作票識別和語音訓(xùn)練，電力操作票識別學(xué)習(xí)不少于1000張，調(diào)度指令不少于40000條。系統(tǒng)可對不理解的信息主動發(fā)問，正確下達指揮命令。

系統(tǒng)運行后，在故障搶修生產(chǎn)方面，可避免誤報事故、提升搶修效率、降低故障報修量等。項目價值見下表。

表 項目價值體現(xiàn)

在配電網(wǎng)運行方面，“虛擬調(diào)度指揮員”可以并行許可同時開展的現(xiàn)場作業(yè)，緩解配網(wǎng)調(diào)度“樞紐堵塞”問題，縮短停電時間，可多向用戶供電：

式中，N為停電項目數(shù)；T為停電時間，min；Q為停電項目應(yīng)供電量。由式（1）可知，減少停電項目越多，挽回經(jīng)濟損失越多。

以某一個中大型城市為例，平均每天約有150個停電作業(yè)項目，以每個項目縮短停電時間10min計算，平均每天可多供電43250kWh，每年多供電約1578萬kWh，挽回因停電造成的經(jīng)濟損失在千萬元以上。

4 結(jié)束語

本設(shè)計研究成果應(yīng)用于國網(wǎng)某省級公司配網(wǎng)分支線計劃檢修和配網(wǎng)主干線計劃檢修的生產(chǎn)環(huán)境中，其中配調(diào)業(yè)務(wù)一半以上人工由配電AI負責(zé)完成。通過對配調(diào)業(yè)務(wù)流程優(yōu)化調(diào)整，將生產(chǎn)指揮虛擬坐席角色擴展到配網(wǎng)生產(chǎn)指揮全部專業(yè)，預(yù)計1～2年時間可代替絕大部分的人力流程性工作，釋放的人力可以進行更多有價值的高級業(yè)務(wù)工作，提升配網(wǎng)調(diào)度工作能效。