随着电网的自动化和高效化需求增加,电力行业需要加快打造高智能、高智慧平台的步伐。目前电力系统是人类建立的最复杂的系统和网络,并且AI的应用也一直贯穿着整个行业的发展。国家电网客服中心立足自身定位,主动拥抱智能新时代,运用信息技术创新加速服务转型,建设智能运维平台,打造“智能家族”,持续提升电力行业服务水平,满足人民群众的美好需求。智能问答技术与电力服务行业结合既是需求,也是必然。然而针对专业模型领域的电网运维客服问答系统不同于市面上常见的开放式、情感式问答系统,一些常规的应用技术无法直接使用,现实场景电力运维客服问答系统面临的技术难点和实际业务的问题仍没有很好的解决。电力运维服务需要一套快速、便捷、精准、智能、全面的智能问答平台。本文用过运用自然语言处理等技术,结合神经网络模型,构建了一套精准而高效的电力运维客服问答系统。为了适应服务性和匹配高效性,本文设计的问答系统有两种匹配技术。针对问答对数据库,提出了一种BERT-Bi LSTM-GCN的匹配模型,数据输入到BERT模型得到的向量,通过Bi LSTM网络能够得到预测的标签序列,通过GCN网络能够捕捉句子的语法特征,减少无效标签的数量,编码层使文本的语义表示和句子的句法特征呈现互补关系,最后经过相似度计算得到候选答案序列。通过实验对比,由于该模型比传统的BERT模型附带提取层,更能捕获句子的语义特征,虽然参数量上有所增加,但整体识别率更加出色;针对电力知识图谱,设计了基于电力知识图谱问答匹配的模型。只要确定了用户问句中的实体以及实体与实体间的关系,就能在知识图谱上找到正确的答案。在实体抽取部分采用了Bi GRUCRF模型结构来抽取实体。Bi GRU网络首先对预处理后的知识语料进行特征提取,通过正向传播得到前向隐藏状态,通过反向传播得到后向隐藏状态,然后根据每个位置的前向隐藏状态和反向隐藏状态输出进行拼接,获得完整的隐藏状态,从而获得自动提取的句子特征。最后利用前后标签信息通过CRF层向最后一个预测标签加约束,以每个标签作为一个节点构造线性链,并使用一个二维矩阵存储从一个标签到另一个标签的转移分数,从而确定输出序列。在关系抽取中,本节使用了一种Att-Bi LSTM模型,是注意力机制加双向长短期记忆神经网络的结构。利用注意力机制对双向长短期记忆神经网络的输出进行了注意力加权求和。虽然模型相较常规,但是提取效果非常可观。本文通过分析电力运维客服问答系统的需求,设计系统架构,确定技术路线,以业务展示层、信息解析层、答案提取层和数据存储层四个层次构建电力运维客服问答系统。通过系统评价指标和用户评价指标的验证测试,系统的功能性完好。