大模型如何驱动电费核算智能升级（下）——从异常筛查到根因定位：量费异常研判新路径

面对电费结算复杂性日益加剧的挑战，如何借助AI技术实现电费异常研判的精准化与高效化，已成为电力行业数字化转型的关键。本文针对场景特性创新性提出“动态引擎智能驱动大模型”技术路径，系统阐述了量费异常研判智能体的构建思路与实现方法，通过审核要点梳理、动态提示词工程与决策依据链推理，显著提升研判效率与准确率，为电费结算业务的智能化升级提供了可复制、可推广的实践路径。

业务痛点

为提高电网客户工作效率，全量非市场化用户电量电费须24小时内完成核算发行。电费核算省级集约后，基层班组重构、核算人员减少，异常审核日均审核量达到约200-300户/人，审核强度倍增。人均审核工作量增大、时间要求愈发吃紧，核算业务规模与人工作业模式矛盾凸显，极大制约了电费异常防控和处置能力。同时，异常工单研判需综合用户历史量费、档案、采集示数、现场核查等多方信息，进行多系统查询、多要素审查，要求对采集、业扩等专业业务知识融汇贯通，处理流程繁琐，易出现疏漏或误判，迫切需要通过智能化手段整合经验，以取代传统的人工操作。

2024年12月，国网正式发布电力基座大模型，基于电力基座大模型，围绕各业务领域建设场景应用，打通人工智能形成新质生产力的“最后一公里”，也为量费异常研判智能体建设提供了基础。

在使用人工智能代替传统人工审核的攻坚路上，为解决异常工单研判审核逻辑复杂，处理流程繁琐问题，可根据量费审核业务规范，将业务专家的研判经验固化并形成可落地的审核要点，以审核要点整合成提示词形成研判逻辑让大模型进行审核。由此，提出构建以“动态引擎智能驱动大模型”为核心的量费异常研判智能体，以提升电费结算业务的数智化水平，从而深化现代电费结算服务体系、服务卓越供电服务建设。

难点攻克

经与量费异常领域的一线业务专家深度交流后，我们发现：量费异常研判绝非“是非题”，而是需综合用户档案、用电量、表码、历史账单、工单、变更记录等多维度数据的交叉分析。仅一个异常场景，便可能触发多达四五个业务节点、十多条判断规则。采用常规的统一提示词方式解决研判规则种类，逻辑复杂问题，大模型会因“提示词泛化”而陷入认知降级——准确率呈指数级衰减。因此必须针对每个异常工单场景设计其专用提示词。由此AI专家团队提出构建动态提示词的技术方案：针对每个异常工单场景使用其专用提示词，将业务专家的研判经验按照研判大类、研判节点分类、研判节点、审核要点、业务研判逻辑、研判步骤等维度进行系统拆解，并以“审核要点”为最小颗粒，逐条固化成可自由拼装、可溯源的研判模块，再结合动态提示词工程最终构建出一条清晰、高效的研判决策依据链，进一步提升大模型研判准确率。

量费异常研判智能体实现思路

量费异常研判智能体实现思路整体围绕“动态引擎智能驱动大模型”的技术路线，如下图所示。智能体首先通过查数工具获取量费异常用户数据，接着基于规则编号，将对应的研判规则动态嵌入提示词模板（包含角色定义、任务要求、输入规范等）和提示词配置表（涵盖规则类型、研判类型、字段用法等），结合异常用户数据源和常规研判模式，动态构建针对性的提示词。 然后采用电力基座大模型、DeepSeek-r1或Qwen2.5-14b作为核心推理引擎，接收动态生成的提示词进行智能分析与研判，研判内容流式输出、过程可见，研判结果结构化。

图1  量费异常研判实现思路

整个流程形成了从数据输入、提示词动态优化、大模型推理到用户导常研判结论的完整闭环，实现了智能化的异常行为识别和风险评估能力。

量费异常研判智能体过程实现

围绕前述设计思路，进行量费异常研判智能体实现，主要包含审核要点梳理、数据整合获取、动态提示词工程、研判结果输出等步骤。

（一）审核要点梳理

目前人工异常研判极其依赖核算员本身的能力，对于具体问题的解决需要具体的实操经验，为使电力基座大模型推理更加接近人工审核，推理更加精准高效，需要对人工研判逻辑进行梳理形成研判审核要点。

收集整理历史异常研判案例，按照研判大类、研判节点分类、研判节点、审核要点、业务研判逻辑、研判步骤等维度开展异常研判审核要点梳理。结合专业沉淀的量费审核业务规范，将业务专家的研判经验固化并形成可落地的标准。将成果内容导入工具链平台的记忆库中，在异常研判智能体内部调用记忆库中规则，让电力基座大模型依据规则模拟人工审核作业对用户数据进行审核，以更加精准高效输出异常研判结论。

表中为梳理后的审核要点规则（模拟数据）：

表1  审核要点内容

（二）研判数据整合——统一数据格式

在人工审核的情况下，核算员需要从多个业务系统菜单获取对应的用户数据来对比，而在异常研判智能体中，使用数据获取工具发起api调用，实时获取用户电量的全部信息。业务系统进行多源数据整合，对用户历史量费数据，用户档案数据，采集示数数据，现场核查数据等多方信息，以用户ID为锚点，按时间轴融合为统一宽表，统一输出包含月电量、计量点，执行电价，采集示数，基本电费计算方式等内容的研判数据，为后续电力基座大模型进行异常研判提供数据基础。

数据获取工具获取的字段示例如下：

表2  获取字段内容

（三）动态提示词工程——让模型“只带当前任务必需的知识”

在梳理出对应的审核要点并形成一套完备的审核规则库之后，若一次性将全部规则对应的审核要点信息放入提示词，会让电力基座大模型的Token数瞬间爆表，且当后续业务出现更新时审核规则无法在提示词中快速定位和修改。为解决此问题，通过分析过往不同类型审核规则，发现在实际研判时往往只与其中一两条规则强相关。因此，提出“动态提示词工程”——让模型“只带当前任务必需的知识”，且将提示词内容拆分成提示词模板和提示词配置表，配置表中配置各审核规则对应的审核要点内容，其存储在结构化数据库中，方便修改与完善。通过该思路可一次性解决将所有审核要点全部放进提示词出现的超Token及无法动态配置问题。

具体做法是：先通过规则编号从记忆库中关联研判规则，再将其与用户电量数据一起按占位符注入提示词模板，动态拼装成一份符合当前用户审核规则的审核要点信息上下文。整套流程在异常研判智能体中全自动完成：规则编号→审核规则库检索→占位符替换→提示词生成→电力基座大模型推理，保证审核既快又准。

动态提示词过程内容示例如下图：

图2  提示词逻辑约束图

（四）生成研判结论——决策依据链推理

电费核算异常研判智能体深度融合电力营销业务逻辑与大模型技术，实现对复杂电费异常问题的智能化分析判断。

该模块的设计理念基于三个层面：一是梳理历史电费核算异常处理业务流程，构建涵盖计量、电价、档案等全业务链条的异常研判引擎；二是通过挖掘历史用户异常处理案例中业务专家的处理经验和决策路径，形成电费核算专用的异常研判决策依据链；三是运用机器学习技术对历史用户用电特征、计量数据、异常标签等多维数据进行关联挖掘，构建电费核算异常识别的专用预测模型。

图3  决策依据链路推理图

如图所示，以某供电公司低压用户130077***35的电量异常为例，该用户在24年12月份电量突增至854053度，较历史同期出现显著波动。智能体接收到异常工单后，立即启动电费核算专用的决策依据链推理过程进行异常研判：

第一步：用电性质核查。系统首先调用用户档案接口，核查该用户的供电电压等级、用电类别、计量方式等基础信息，确认为10kV专变用户，排除因用户类别错误导致的电费计算异常。

第二步：计量数据溯源分析。调用计量数据接口，获取该用户近12个月的抄表数据，通过电量环比、同比分析发现12月份电量较11月份环比增长超过500%，远超该用户历史用电波动范围，初步判定为计量异常。

第三步：计量设备状态核查。查询计量运维系统，检索该用户计量装置的运行状态、校验记录、故障信息，发现近期无设备更换、校验等操作记录，但存在电表示数异常回零现象。

第四步：业务变更影响排查。调用营销业务系统，查询该用户近期是否存在增容、减容、变压器投退、电价执行变更等可能影响电费计算的业务操作，经查询无相关业务变更记录。

第五步：综合研判决策。基于多维度数据分析，结合电费核算业务规则库和异常识别模型，智能体判定该异常为“电表故障导致的计量数据异常”，并自动生成包含异常原因、影响范围、处理建议的研判结论。

整个推理过程体现了电费核算业务的专业性和复杂性，智能体通过模拟业务专家的分析思路，实现了从数据采集、多维分析到综合研判的全链条智能化处理。

场景应用与成效

将研究、构建的量费异常研判智能体在某网省进行了应用，效果图如下。智能体在处理量费异常过程中，实现从异常源头定位到异常过程推导的研判过程可视化展示和问答互动。把“异常起因→传导路径→处置建议”完整呈现给业务人员，业务人员无需在跨专业的系统中来回比对和判断异常，便捷高效开展电费核算。

图4  场景展示研判图

成效：量费异常研判智能体异常命中率约80%，和人工研判结果一致率约95%。在最大并发达到72的情况下，仅1小时便完成四千多笔异常校验，单户审核时长由3分钟压缩至1分钟，量费审核整体提速约65%，2小时完成居农及代理购电用户电费发行。

结语

本课题研究探索了基于动态引擎智能驱动大模型的量费异常智能研判新模式，通过在某网省进行应用，验证了所提技术路线的可行性，且所提研判路线具备一定复用性和拓展性。然而，由于大模型本身能力及时间紧迫等原因，在异常研判时尚存在研判效率较慢、研判准确率有待进一步优化提升等问题，后续可围绕此进行进一步深化研究。