CN113434667B - 基于配网自动化终端文本分类模型的文本分类方法 - Google Patents
基于配网自动化终端文本分类模型的文本分类方法 Download PDFInfo
- Publication number
- CN113434667B CN113434667B CN202110424423.6A CN202110424423A CN113434667B CN 113434667 B CN113434667 B CN 113434667B CN 202110424423 A CN202110424423 A CN 202110424423A CN 113434667 B CN113434667 B CN 113434667B
- Authority
- CN
- China
- Prior art keywords
- output
- tcn
- input
- module
- text classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013145 classification model Methods 0.000 title claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 230000007774 longterm Effects 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000007787 long-term memory Effects 0.000 abstract description 2
- 238000004140 cleaning Methods 0.000 abstract 1
- 230000006403 short-term memory Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于配网自动化终端文本分类模型的文本分类方法,包括收集电力缺陷文本数据,对数据集进行数据清理和文本分割;然后将长短期记忆网络(LSTM)网络与时间卷积网络(TCN)相结合,配合残差和注意力机制连接,建立了一种分层综合上下文网络结构,从缺陷文本中分层提取深层上下文信息,长期历史信息和更全面的时间特征。与其他神经网络分类模型相比,本文所提出的模型具有良好的文本分类能力和泛化能力,能够提升配网终端调试的智能化水平。
Description
技术领域
本发明涉及自然语言处理领域,尤其是涉及基于先进机制的神经网络文本分类模型。
背景技术
随着电力大数据应用和电力信息化管理的不断深入,数据资产的有效利用关系到电网可靠的运行。在电力企业日常运维过程中,保留了大量配网终端调试作业文本,包括联调日期、设备类型、故障内容和消缺时间等信息,是影响电力系统安全稳定运行的重要指标。然而,这些历史文本数据录入到Open5200 系统后往往处于闲置状态。另外,对故障内容进行人工分类存在人为因素的干扰。因此,配网规程历史操作文本的自动分类技术研究是科学管理电力设备的前沿领域。
文本分类是自然语言处理领域中重要的组成部分。近年来,一些基于深度学习的方法已用于文本分类,例如卷积神经网络(CNN)和长短期记忆(LSTM) 网络,也有研究人员结合CNN与LSTM来解决文本分类问题。但是,对中文文本进行分类不能照搬英文分类模型,将其应用于电力领域专业文本分类更为困难。针对电力专业文本的分类处理,国外已有利用传统机器学习分类模型对历史故障事件和天气数据等进行变电站预测,以及通过故障工单等进行组件和系统故障风险预测的相关研究;国内也有学者将CNN和LSTM运用到电力设备缺陷文本的分类任务中。CNN和LSTM的结构在文本分类任务上各有优势,但电力设备缺陷文本专业性强,现有方法在较长序列中提取深度信息和历史信息的效率较低且不完整,在分类准度上有所欠缺。因此,亟需一种分类准确度和分类效率高的文本分类模型进行文本分类的操作。
发明内容
基于此,为了提高电力设备缺陷文本分类器的分类效率,本发明提出了基于先进机制的神经网络文本分类模型,能够层次地提取深层而重要的上下文信息,充分利用联调记录的历史信息,提高文本分类的精确度和智能性。
为了实现上述发明目的,本发明实施例提供了以下技术方案。
基于配网自动化终端文本分类模型的文本分类方法,所述方法包括:
步骤1、构建分层综合上下文建模网络模型,所述网络模型包括输入集成模块、TCN残差模块、自我注意层和输出层;
步骤2、对电力缺陷文本数据集进行预处理,将原始中文文本转换为预设的输入格式;
步骤3、在输入集成模块中进行提取上下文信息与原始输入集成的处理;
步骤4、处理后的信息以自我注意层作为输入进入TCN模块,提取时间特征和其他长期历史信息;
步骤5、在输出层处理中提取的综合上下文信息,预测相应的标签。
可选的,步骤2包括:
借助电力设备故障词典对电力缺陷文本数据进行分词,将连续的字序列按照一定的规范重新组合成词序列;
将无法表征电力设备缺陷严重程度的词作为停用词在分词之后从缺陷文本中剔除;
在预处理后的语料内的词间以下划线作为分隔。
可选的,所述步骤3包括:
输入集成模块由具有相同参数的两层LSTM组成,一层具有整流线性单元以及添加操作模块;
电力缺陷文本数据经过两层LSTM处理,使用ReLU激活函数,提取上下文信息;
上下文信息与原始输入在添加模块中进行集成。
可选的,所述步骤3还包括:
LSTM网络用于提取原始输入的上下文和序列特征;
ReLU激活函数用于使网络添加非线性因素,增强模型的表达能力;
LSTM处理的原始输入与输出的集成结果包括更丰富的提取上下文信息和原始信息,原始输入与输出之间的关系如下所示:
Oa=x+L(x,W) (1)
公式(1)中,x为原始输入,L为处理方法,W为相应的权重,Oa为输入集成模块的输出。
可选的,步骤4包括:
TCN模块由4个TCN残差模块与多层自我关注机制组成;
输入集成模块处理后的信息以自我注意层作为输入进入TCN残差模块;
输出值与残差块合并,作为下一个TCN残差块的输入,提取时间特征和其他藏起的历史信息。
可选的,包括:
残差模块:由4个串联起来的TCN残差块组成,处理输入集成模块的输出并从中提取重要的本地信息和时间特征,输出过程表示为:
公式(2)中,Ob表示TCN残差模块的输出结果,G表示残留块的处理输出函数,∏表示复合函数,i表示第i个剩余块,总共有4个模块;
自我关注机制:
使用Vaswani等人的自我注意层来连接每个TCN残差块,并将自我注意层的输出值与残差块合并,作为下一个受关注块的输入;
TCN残差模块融合自我关注层体系结构:
一个TCN残差块的输出通过三个线性变换函数转换为Q(索引)、K(键) 和V(值)三种向量;首先需要计算相似度,Similarity介于Q和K之间,计算式为:
Similarity(Q,K)=Q×KT (3)
公式(3)中,×表示矩阵乘法,KT表示向量K的转置,为了避免结果过大,将相似度Similarity(Q,K)除以比例因子其中m是来自索引向量或键向量的维数;然后通过SoftMax运算将结果归一化为概率分布,乘以矩阵V以得到权重之和的表示,计算式为:
最后,使用残差连接将自我注意层的加权输出与该块合并成为下一个TCN 块的输入。
可选的,步骤5包括:
输出层包括线性映射层和SoftMax分类器;
TCN模块的输出进入线性映射层进行处理;
将处理结果输入SoftMax分类器,输出最终的分类结果。
有益效果:
与其他神经网络分类模型相比,本文所提出的模型具有良好的文本分类能力和泛化能力,能够提升配网终端调试的智能化水平。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还根据这些附图获得其他相关的附图。
图1为本发明的基于配网自动化终端文本分类模型的文本分类方法流程示意图。
具体实施方式
下面结合附图和具体的实施例对本发明作进一步地详细说明。
基于配网自动化终端文本分类模型的文本分类方法,如图1所示,所述方法包括:
步骤1、构建分层综合上下文建模网络模型,所述网络模型包括输入集成模块、TCN残差模块、自我注意层和输出层;
步骤2、对电力缺陷文本数据集进行预处理,将原始中文文本转换为预设的输入格式;
步骤3、在输入集成模块中进行提取上下文信息与原始输入集成的处理;
步骤4、处理后的信息以自我注意层作为输入进入TCN模块,提取时间特征和其他长期历史信息;
步骤5、在输出层处理中提取的综合上下文信息,预测相应的标签。
可选的,步骤2包括:
借助电力设备故障词典对电力缺陷文本数据进行分词,将连续的字序列按照一定的规范重新组合成词序列;
将无法表征电力设备缺陷严重程度的词作为停用词在分词之后从缺陷文本中剔除;
在预处理后的语料内的词间以下划线作为分隔。
可选的,所述步骤3包括:
输入集成模块由具有相同参数的两层LSTM组成,一层具有整流线性单元以及添加操作模块;
电力缺陷文本数据经过两层LSTM处理,使用ReLU激活函数,提取上下文信息;
上下文信息与原始输入在添加模块中进行集成。
可选的,所述步骤3还包括:
LSTM网络用于提取原始输入的上下文和序列特征;
ReLU激活函数用于使网络添加非线性因素,增强模型的表达能力;
LSTM处理的原始输入与输出的集成结果包括更丰富的提取上下文信息和原始信息,原始输入与输出之间的关系如下所示:
Oa=x+L(x,W) (1)
公式(1)中,x为原始输入,L为处理方法,W为相应的权重,Oa为输入集成模块的输出。
可选的,步骤4包括:
TCN模块由4个TCN残差模块与多层自我关注机制组成;
输入集成模块处理后的信息以自我注意层作为输入进入TCN残差模块;
输出值与残差块合并,作为下一个TCN残差块的输入,提取时间特征和其他藏起的历史信息。
可选的,包括:
残差模块:由4个串联起来的TCN残差块组成,处理输入集成模块的输出并从中提取重要的本地信息和时间特征,输出过程表示为:
公式(2)中,Ob表示TCN残差模块的输出结果,G表示残留块的处理输出函数,∏表示复合函数,i表示第i个剩余块,总共有4个模块;
自我关注机制:
使用Vaswani等人的自我注意层来连接每个TCN残差块,并将自我注意层的输出值与残差块合并,作为下一个受关注块的输入;
TCN残差模块融合自我关注层体系结构:
一个TCN残差块的输出通过三个线性变换函数转换为Q(索引)、K(键) 和V(值)三种向量;首先需要计算相似度,Similarity介于Q和K之间,计算式为:
Similarity(Q,K)=Q×KT (3)
公式(3)中,×表示矩阵乘法,KT表示向量K的转置,为了避免结果过大,将相似度Similarity(Q,K)除以比例因子其中m是来自索引向量或键向量的维数;然后通过SoftMax运算将结果归一化为概率分布,乘以矩阵V以得到权重之和的表示,计算式为:
最后,使用残差连接将自我注意层的加权输出与该块合并成为下一个TCN 块的输入。
可选的,步骤5包括:
输出层包括线性映射层和SoftMax分类器;
TCN模块的输出进入线性映射层进行处理;
将处理结果输入SoftMax分类器,输出最终的分类结果。
具体的,在本实施例中,选取某地区电网公司2015年-2019年配网规程历史操作文本记录共计4672条,每一个文本都包含联调人员对于电力设备运行状态的现场评估和执行操作命令语句的总结。
本申请实施例提出了基于先进机制的神经网络文本分类模型,包括一种端到端的分层综合上下文建模网络:
11、一个用于首次提取上下文信息并将其与原始输入进行集成的输入集成模块;
12、一个具有4个残差块的TCN结构,用于再次提取时间和上下文信息,以及与每个使该模型注意到重要细节和长期历史特征的TCN块;
13、一个用于使用分类器预测文本标签的输出层。
步骤11具体包括:
111、将经过预处理的要排序的电力缺陷文本数据集作为原始输入,输入到输入集成模块中;
112、经过2层LSTM处理和ReLU整流线性单元,利用残差连接的思想,将LSTM提取的中间特征与原始输入进行集成,提取相应输入中包含的上下文信息和背景信息,例如电力术语与特定表达信息之间的关联信息以及隐含的设备运行状况信息。
步骤12具体包括:
121、将经过输入集成模块处理后的信息输入TCN残差模块1,如果残留块的处理输出由函数表示G,输出Ob的过程表示为:
其中∏表示复合函数,i表示第i个剩余块,总共有4个模块。
122、将TCN残差块的1输出通过三个线性变换函数转换为Q(索引值)、 K(键值)和V(真实值)三种向量。首先计算相似度,Similarity介于Q和K 之间,计算式为:
Similarity(Q,K)=Q×KT
其中×表示矩阵乘法,KT表示向量K的转置。
123、为了避免结果过大,将相似度Similarity(Q,K)除以比例因子其中 m是来自索引向量或键向量的维数。然后通过SoftMax运算将结果归一化为概率分布,乘以矩阵V以得到权重之和的表示,计算式为:
124、使用残差连接将自我注意层的加权输出与该块合并成为下一个TCN 块的输入,解决了网络退化问题。重复此步骤,直至4层结构全部处理完毕。通过此模块的处理,进一步提取了时间特征和其他长期历史信息。
步骤13具体包括:
131、输出层用于处理前一步的输出Ob,利用线性映射层来完成;
132、将结果输入分类器,输出最终的分类结果,以预测相应的电力设备缺陷程度。
133、具体来说,配网规程历史操作文本数据集包含三种类型的标签,分别对应于四个特定信息项:间隔开关A/B/C,DTU电池,A/B/C相电流和A/B/C 相电压。本发明使用配网规程历史操作文本内容来预测相应的标签,并将它们与目标标签进行比较。
以上所述,仅为本发明的具体实施方式,但不用以限制本发明,任何熟悉本技术领域的技术人员在本发明揭露的技术方法范围内,可轻易想到的替换或变换方法,都应该涵盖在本发明的保护范围之内。
Claims (5)
1.基于配网自动化终端文本分类模型的文本分类方法,其特征在于,所述方法包括:
步骤1、构建分层综合上下文建模网络模型,所述网络模型包括输入集成模块、TCN残差模块、自我注意层和输出层;
步骤2、对电力缺陷文本数据集进行预处理,将原始中文文本转换为预设的输入格式;
步骤3、在输入集成模块中进行提取上下文信息与原始输入集成的处理;
步骤4、处理后的信息以自我注意层作为输入进入TCN模块,提取时间特征和其他长期历史信息;包括:
TCN模块由4个TCN残差模块与多层自我关注机制组成;
输入集成模块处理后的信息以自我注意层作为输入进入TCN残差模块;
输出值与残差块合并,作为下一个TCN残差块的输入,提取时间特征和其他藏起的历史信息;包括:
残差模块:由4个串联起来的TCN残差块组成,处理输入集成模块的输出并从中提取重要的本地信息和时间特征,输出过程表示为:
公式(2)中,Ob表示TCN残差模块的输出结果,G表示残留块的处理输出函数,∏表示复合函数,i表示第i个剩余块,总共有4个模块;
自我关注机制:
使用自我注意层来连接每个TCN残差块,并将自我注意层的输出值与残差块合并,作为下一个受关注块的输入;
TCN残差模块融合自我关注层体系结构:
一个TCN残差块的输出通过三个线性变换函数转换为Q(索引)、K(键)和V(值)三种向量;首先需要计算相似度,Similarity介于Q和K之间,计算式为:
Similarity(Q,K)=Q×KT (3)
公式(3)中,×表示矩阵乘法,KT表示向量K的转置,为了避免结果过大,将相似度Similarity(Q,K)除以比例因子其中m是来自索引向量或键向量的维数;然后通过SoftMax运算将结果归一化为概率分布,乘以矩阵V以得到权重之和的表示,计算式为:
最后,使用残差连接将自我注意层的加权输出与该块合并成为下一个TCN块的输入;
步骤5、在输出层处理中提取的综合上下文信息,预测相应的标签。
2.根据权利要求1所述的基于配网自动化终端文本分类模型的文本分类方法,其特征在于,步骤2包括:
借助电力设备故障词典对电力缺陷文本数据进行分词,将连续的字序列按照一定的规范重新组合成词序列;
将无法表征电力设备缺陷严重程度的词作为停用词在分词之后从缺陷文本中剔除;
在预处理后的语料内的词间以下划线作为分隔。
3.根据权利要求1所述的基于配网自动化终端文本分类模型的文本分类方法,其特征在于,所述步骤3包括:
输入集成模块由具有相同参数的两层LSTM组成,一层具有整流线性单元以及添加操作模块;
电力缺陷文本数据经过两层LSTM处理,使用ReLU激活函数,提取上下文信息;
上下文信息与原始输入在添加模块中进行集成。
4.根据权利要求3所述的基于配网自动化终端文本分类模型的文本分类方法,其特征在于,所述步骤3还包括:
LSTM网络用于提取原始输入的上下文和序列特征;
ReLU激活函数用于使网络添加非线性因素,增强模型的表达能力;
LSTM处理的原始输入与输出的集成结果包括更丰富的提取上下文信息和原始信息,原始输入与输出之间的关系如下所示:
Oa=x+L(x,W) (1)
公式(1)中,x为原始输入,L为处理方法,W为相应的权重,Oa为输入集成模块的输出。
5.根据权利要求1所述的基于配网自动化终端文本分类模型的文本分类方法,其特征在于,步骤5包括:
输出层包括线性映射层和SoftMax分类器;
TCN模块的输出进入线性映射层进行处理;
将处理结果输入SoftMax分类器,输出最终的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110424423.6A CN113434667B (zh) | 2021-04-20 | 2021-04-20 | 基于配网自动化终端文本分类模型的文本分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110424423.6A CN113434667B (zh) | 2021-04-20 | 2021-04-20 | 基于配网自动化终端文本分类模型的文本分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434667A CN113434667A (zh) | 2021-09-24 |
CN113434667B true CN113434667B (zh) | 2024-01-23 |
Family
ID=77753332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110424423.6A Active CN113434667B (zh) | 2021-04-20 | 2021-04-20 | 基于配网自动化终端文本分类模型的文本分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434667B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059188A (zh) * | 2019-04-11 | 2019-07-26 | 四川黑马数码科技有限公司 | 一种基于双向时间卷积网络的中文情感分析方法 |
CN111767398A (zh) * | 2020-06-30 | 2020-10-13 | 国网新疆电力有限公司电力科学研究院 | 基于卷积神经网络的二次设备故障短文本数据分类方法 |
WO2021000362A1 (zh) * | 2019-07-04 | 2021-01-07 | 浙江大学 | 一种基于深度神经网络模型的地址信息特征抽取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4664850B2 (ja) * | 2006-03-30 | 2011-04-06 | 株式会社東芝 | 鍵生成装置、プログラム及び方法 |
-
2021
- 2021-04-20 CN CN202110424423.6A patent/CN113434667B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059188A (zh) * | 2019-04-11 | 2019-07-26 | 四川黑马数码科技有限公司 | 一种基于双向时间卷积网络的中文情感分析方法 |
WO2021000362A1 (zh) * | 2019-07-04 | 2021-01-07 | 浙江大学 | 一种基于深度神经网络模型的地址信息特征抽取方法 |
CN111767398A (zh) * | 2020-06-30 | 2020-10-13 | 国网新疆电力有限公司电力科学研究院 | 基于卷积神经网络的二次设备故障短文本数据分类方法 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络的配电网缺陷文本分类方法;党卫军;韩捷;薛艺为;;信息技术(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113434667A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798435B (zh) | 一种基于文本信息抽取的电力物资需求预测方法 | |
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN112905804B (zh) | 一种电网调度知识图谱的动态更新方法及装置 | |
CN112419096B (zh) | 基于nlp信息萃取与少样本自学习的用户用电诉求工单自动流转方法 | |
CN114328950A (zh) | 配电网故障处置知识图谱构建、智能辅助决策系统及方法 | |
CN111832977A (zh) | 一种基于自然语言解析的检修申请自动成票方法 | |
CN116245033A (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
Meng et al. | Research on ultra-short-term prediction model of wind power based on attention mechanism and CNN-BiGRU combined | |
CN113434667B (zh) | 基于配网自动化终端文本分类模型的文本分类方法 | |
CN115409122A (zh) | 一种变电设备并发故障分析方法、系统、设备及介质 | |
CN113487194B (zh) | 一种基于文本分类的电力系统调度员等级评估系统 | |
CN112765314B (zh) | 一种基于电力本体知识库的电力信息检索方法 | |
CN115936001A (zh) | 基于BERT-BiLSTM-CRF模型和注意力的电网IT运维实体识别方法及系统 | |
CN113961708A (zh) | 一种基于多层次图卷积网络的电力设备故障溯源方法 | |
Liu et al. | Research on text classification method of distribution network equipment fault based on deep learning | |
CN111553158A (zh) | 一种基于BiLSTM-CRF模型的电力调度领域命名实体识别方法及系统 | |
Xinjie et al. | A Construction Method for the Knowledge Graph of Power Grid Supervision Business | |
He et al. | Entity Recognition of Power Fault Disposal based on Attention Model | |
Zheng et al. | Research on Text Classification Method of Distribution Network Terminal Debugging Job Based on Hierarchical Comprehensive Context | |
Yang et al. | Text classification method for analysing accidents in power system operation | |
Zheng et al. | A CNN-Based Warning Information Preprocessing Method for Power Grid Fault Diagnosis Analytical Model | |
CN113268604B (zh) | 知识库自适应扩展方法及系统 | |
Guangyu et al. | Research on Label Recognition Method of Power Grid Item Based on Deep Learning | |
Wen et al. | Preliminary exploration on the construction and application of knowledge graph for security control strategy | |
Zhu et al. | Knowledge Graph Construction Base on Power Accident Emergency Plan |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |