基于用电信息采集系统的多业务高效协同处理技术研究

张新阳， 李辉

(云南电网有限责任公司 信息中心，云南 昆明 650217)

0 引言

协同处理技术发生在多台计算机中，分担一个程序或者同一个任务的分布式处理，该技术的处理过程，主要是一个复杂的程序，实现网络中的负载分配、数据共享等。在分布式处理任务展开的同时，保证信息的同步性、安全性以及准确性[1]。传统的协同处理技术，以时间顺序或事件重要程度顺序为依托，对计算系统中的任务进行处理，但随着移动互联网、物联网的发展，越来越多的工作任务都利用计算机系统实现，因此计算机需要处理的业务数据飙升，传统协同处理技术面对日趋海量的任务数据，不能完全实现对海量数据的全面覆盖、数据采集，因此根据用电信息采集系统的功能特性，研究全新的多业务高效协同处理技术。

用电信息采集系统的主要功能包括自动采集用电信息、实时监测异常信号、集中管理用电方案、及时发布用电信息，是一个可以实现信息交互、分布式处理的系统[2]。该系统作为目前应用最为广泛的系统之一，以高级测量、高效管理、高速通信、迅速存储等技术为基础，实现对计算系统中，所有业务信息的全时段采集，以此达到快速响应、计量无误等效果[3]。此次所提出的协同处理技术，利用该系统实现对海量业务的高效协同处理，为协同技术的创新和发展，提供科学的技术支持。

1 基于用电信息采集系统设置业务协同处理规则

保证业务之间的关联后，基于用电信息采集系统，设置对海量业务的协同处理规则[4-5]。利用用电信息采集系统，挖掘已经建立其可靠连接的业务，并对得到的业务数据进行预处理[6]，对挖掘结果的预处理过程如图1所示。

图1 业务预处理过程

将任务格式标准化、异常数据重复数据以及错误数据清除纠正后，形成一个全新的同步处理数据集合，则该集合中，每一待处理子集之间的欧氏距离为式(1)。

(1)

式中，d表示子集合u与z之前的欧氏距离；i表示第i类业务类型；n表示子集合中的变量。根据上述结果设置的协同处理规则如图2所示。

图2 协同处理规则

按照上述规则对海量业务进行协同处理，至此基于用电信息采集系统的协同处理技术，实现对多业务的高效协同处理[7]。

2 用电信息采集系统交易协同处理技术的架构规划

在总体架构设计过程中，规划设计遵循“业务驱动”的原则，采用由业务架构到应用架构和数据架构再到技术架构逐层驱动的方法[8]。业务架构是从用电信息采集系统电力市场化交易过程管理和服务角度对业务覆盖范围内的过程、环节、规则的细化、抽象和建模；应用架构是基于业务架构，从用电信息采集系统功能需求的角度去清晰准确定义应用范围、功能及模块等[9-10]；数据架构是基于应用架构，从用电信息采集系统数据需求的角度去准确定义数据分类、数据来源及数据部署等；技术架构根据信息技术和人工智能发展趋势以及相应的实践经验，结合业务架构、数据架构及应用架构的特点从用电信息采集系统具体实现角度提出系统总体的技术实现方案和软硬件物理部署方式。

2.1 实体机器人客服应用分析

电力交易人工智能实体机器人客服应用是结合电力交易大厅的业务场景功能需求，充分考虑人工智能技术发展现状、人与机器人的协同办公适应期创新性开展的，主要包括人工智能模式、人工辅助智能模式、人工接管模式3种类型。应用功能包括人机协作、语音交互、业务咨询、智能迎宾、参观讲解、信息查询、嘉宾预约、人脸识别、大屏互动、远程视频、通用聊天等。

2.2 渠道机器人客服应用分析

渠道机器人客服应用分析围绕用电信息采集系统电力市场化交易实际工作各业务域场景需求，应用功能通过嵌入某电力市场交易网站的智能问答页面、嵌入移动交易App的智能问答页面、接入电力交易公众号3个方式实现7×24小时智能化服务。应用功能包括电力交易业务咨询、交易知识问答、交易信息查询、交易相关资讯推送、交易方式智能推荐、用户评价等功能。

2.3 知识库应用分析

电力交易知识智库由IBOT实现。主要包括智能引擎、前端平台和管理后台。智能引擎模块，是处理自然语言和集成各种专业处理引擎的基础平台，其智能性、准确度、并发性能等各方面都会对整个系统产生关键影响。主要包括文本处理、句法分析、语义分析、对话管理、答案渲染、知识管理等。前端平台模块，是用户使用智能机器人系统的所有前端用户交互能力基础，负责机器人的登录验证，响应调度，负载平衡等。主要包括运行框架、消息处理、服务接口、通讯控制、二开框架等。管理后台模块，是通过智能服务引擎及机器人前端平台提供的API，对机器人进行统一的管理及维护。主要包括系统管理、知识管理、运维管理、授权管理等。

3 实验研究

为了验证基于用电信息采集系统的多业务高效协同处理技术的可行性以及有效性，提出对比实验，将此次研究的基于用电信息采集系统的协同处理技术，与传统协同处理技术进行对比，通过比较2个技术对全时段数据的覆盖能力，分析2种技术对多业务的处理进度。

3.1 实验准备

搭建实验测试平台，分别在该平台中载入2种技术所需的处理系统，此次实验的网络结构框图如图3所示。

图3 网络结构框图

提取该网络环境中的业务，并对其进行编号，此次测试选取的实验对象的数据如表1所示。

将此次研究的协同处理技术测试结果，作为实验组；将传统协同处理技术测试结果，作为对照组，分别对表1中的5组实验测试对象，进行协同处理。经过无量纲化处理后，5组数据在4个阶段内的占比分布情况如表2所示。

表1 实验测试对象

表2 5组数据的占比分布示意图

根据表1和表2中的有效数据，分别利用2种不同的协同处理技术，对系统中的海量、多级业务进行处理，该业务协同处理过程中，实验监测模块的多级监测线路示意图如图4所示。

图4 监测模块的各级监测线路

经过图4中的监测线路监测可知，2种协同处理技术的响应时间略有不同，响应时间监测结果如图5所示。

图5 监测时间响应曲线

根据图5中的2组响应曲线可知，实验组对5组实验数据的平均响应时间，在1.5 s左右；对照组中对5组实验数据的平均响应时间，超过了1.75 s。根据图中曲线可知，基于用电信息采集系统的协同处理技术，面对类型多样、体量极大的实验对象，其响应时间并没有因为数据量的增加出现极大改变，其初始响应时间与最终响应时间的差值仅为0.43 s；而传统协同处理技术由于采集数据的能力偏弱，当数据达到一定体量时，该技术的响应时间随之增加，其初始响应时间与最终响应时间的差值达到了1.26 s，远远高于此次研究的协同处理技术，因此分析导致响应时长出现较大差异的原因。

3.2 结果分析

分析2种协同处理技术，响应时间相差较大的原因，利用测试系统中的追踪代码查询单次协同处理下，2种技术识别实验测试对象后，得到多级任务覆盖量。覆盖量追踪结果如图6所示。

(a)实验组的任务覆盖量

根据图6中的节点任务数据覆盖图可知，此次研究的协同处理技术，在执行单次协同处理任务时，利用用电信息采集系统，将所有类型的业务全部识别，从而实现对海量多级业务的同步处理。而传统方法中的数据采集系统功能较弱，单次协同处理时，面对数量庞大、种类繁多的多级业务，只能获取其中的一部分业务信息，从图6(b)中的识别结果可以看出，同样的测试条件下，该方法只将K1数据完全识别；对K2、K3业务，只识别出了极少量的数据；而K4、K5数据完全没有得到识别。根据上述分析可知，传统协同处理不能单次对所有数据完全识别，而需要进行多次协同处理，才能完成处理任务，因此增加了传统协同处理技术的累积响应时间，最终导致协同处理技术对多业务处理效率低下。为了令实验测试结果更加具体，我们再对2种协同处理技术的处理效率进行评估，选用的评估模型最后一步为式(2)。

(2)

式中，xi表示第i组业务的协同处理响应时间；Δx表示期望响应时间，需要注意，此次实验将期望时间设置为1.4 s；n表示一组业务中的任务组数量。2种技术应用下的2组实验参数如表3、表4所示。

表3 实验组协同处理响应时间参数

表4 对照组协同处理响应时间参数

根据表3、表4中的数据可知，实验组中的响应时间更加接近期望值，而对照组中的响应时间，当数据体量较小时比较接近期望值；当数据体量较大时，则距离期望响应时间稍远。将上表中第1、3、5、7、9作为A组，将第2、4、6、8、10组数据作为B组，已知A组的数据量远少于B组，则利用式(3)计算其处理效率。

(3)

式中,q表示处理效率；U表示业务数据总量；t表示响应时间。利用式(3)分别计算2种技术的处理效率，整理计算平均值，可知实验组对照组，对A组数据的处理效率分别为94.58%和94.56%；对B组数据的处理效率分别为92.16%和78.52%。综合上述实验结果可知，此次研究的协同处理技术，利用用电信息采集系统，可以将全时段数据完全覆盖，对多业务实现高效协同处理；而传统协同处理技术只能将体量较少的数据进行完全覆盖，面对海量业务时，只能分次协同处理，降低了对多业务的处理效率。

4 总结

随着用电需求的增加、用电范围的扩展，计算系统中会出现越来越多的业务类型和海量的实时数据，因此，利用用电采集系统的高效性、统计性和全时段覆盖性，对所有数据进行识别与覆盖，提高单次协同处理多业务的数据量，以此降低协同处理技术的协同响应时间，实现对多业务的高效协同处理。但此次提出的协同处理技术，虽然增加了单次协同处理量，但并不能在真正意义上实现一次性协同处理，今后的研究与分析还需对该技术进行改进，将所有数据一次处理完毕，降低响应时间、提升处理效率。