CN116187313B - 基于自然语言处理技术的电力操作票设备识别与勘误方法 - Google Patents
基于自然语言处理技术的电力操作票设备识别与勘误方法 Download PDFInfo
- Publication number
- CN116187313B CN116187313B CN202310467759.XA CN202310467759A CN116187313B CN 116187313 B CN116187313 B CN 116187313B CN 202310467759 A CN202310467759 A CN 202310467759A CN 116187313 B CN116187313 B CN 116187313B
- Authority
- CN
- China
- Prior art keywords
- equipment
- power equipment
- operation item
- identified
- operated
- 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
Images
Classifications
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供一种基于自然语言处理技术的电力操作票设备识别与勘误方法，可对电力操作票里的电力设备正确性进行校核。本申请中，获取基于历史电力操作票微调的BERT预训练模型，得到设备识别引擎和设备匹配引擎；将待识别操作项输入设备识别引擎，识别出待操作电力设备；若待操作电力设备不存在于设备台账数据库里，则确定待识别操作项为书写出错操作项，基于待操作电力设备，在设备台账数据库里进行检索，得到候选电力设备集；通过设备匹配引擎，在候选电力设备集进行匹配判断，得到候选电力设备集中各候选电力设备的得分；按待操作电力设备在待识别操作项中的位置，将候选电力设备集中的各候选电力设备分别嵌入待识别操作项中，得到正确操作项列表。
Description
技术领域
本申请涉及电力操作票处理技术领域，特别是涉及一种基于自然语言处理技术的电力操作票设备识别与勘误方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在开展电力工作前，一般要提供电力操作票。电力操作票是在电力系统中进行电气操作的书面依据，包括调度指令票和变电操作票。但是，在书写电力操作票过程中，有时会将需要操作的电力设备写错。
发明内容
基于此，有必要针对上述技术问题，提供一种基于自然语言处理技术的电力操作票设备识别与勘误方法、装置、计算机设备、存储介质和计算机程序产品。
本申请提供一种基于自然语言处理技术的电力操作票设备识别与勘误方法，所述方法包括：
获取基于历史电力操作票微调的BERT预训练模型，以得到设备识别引擎和设备匹配引擎；
将当前电力操作票的待识别操作项输入所述设备识别引擎，识别出所述待识别操作项里的待操作电力设备；
若所述待操作电力设备不存在于设备台账数据库里，则确定所述待识别操作项为书写出错操作项，并基于所述待操作电力设备，在所述设备台账数据库里进行检索，得到候选电力设备集；
通过所述设备匹配引擎，在所述候选电力设备集进行匹配判断，得到所述候选电力设备集中各候选电力设备的得分；
按所述待操作电力设备在所述待识别操作项中的位置，将所述候选电力设备集中的各候选电力设备分别嵌入所述待识别操作项中，得到正确操作项列表。
本申请提供一种基于自然语言处理技术的电力操作票设备识别与勘误装置，所述装置包括：
引擎获取模块，用于获取基于历史电力操作票微调的BERT预训练模型，以得到设备识别引擎和设备匹配引擎；
设备识别模块，用于将当前电力操作票的待识别操作项输入所述设备识别引擎，识别出所述待识别操作项里的待操作电力设备；
书写正确性确定模块，用于若所述待操作电力设备不存在于设备台账数据库里，则确定所述待识别操作项为书写出错操作项；
设备检索模块，用于基于所述待操作电力设备，在所述设备台账数据库里进行检索，得到候选电力设备集；
匹配判断模块，用于通过所述设备匹配引擎，在所述候选电力设备集进行匹配判断，得到所述候选电力设备集中各候选电力设备的得分；
嵌入模块，用于按所述待操作电力设备在所述待识别操作项中的位置，将所述候选电力设备集中的各候选电力设备分别嵌入所述待识别操作项中，得到相应的正确操作项。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述方法。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行上述方法。
本申请提供一种计算机程序产品，其上存储有计算机程序，所述计算机程序被处理器执行上述方法。
上述基于自然语言处理技术的电力操作票设备识别与勘误方法、装置、计算机设备、存储介质和计算机程序产品中，对电力操作票里的电力设备正确性进行校核，引入自然语言处理技术的BERT预训练模型，获取基于历史电力操作票微调的BERT预训练模型，并以此得到设备识别引擎，将当前电力操作票的待识别操作项输入所述设备识别引擎，识别出所述待识别操作项里的待操作电力设备，实现操作票设备的精准设别；并且，获取基于历史电力操作票微调的BERT预训练模型，并以此得到设备匹配引擎，若所述待操作电力设备不存在于设备台账数据库里，则确定所述待识别操作项为书写出错操作项，并基于所述待操作电力设备，在所述设备台账数据库里进行检索，得到候选电力设备集；通过所述设备匹配引擎，在所述候选电力设备集进行匹配判断，得到所述候选电力设备集中各候选电力设备的得分，按待操作电力设备在所述待识别操作项中的位置，将所述候选电力设备集中的各候选电力设备分别嵌入所述待识别操作项中，得到正确操作项列表，以对电力设备的正确性进行校核；另外，本申请所获取的基于历史电力操作票微调的BERT预训练模型（Pre-trained model），相比于从头开始训练（training a model from scatch），微调（finetune）可以节省大量计算资源和计算时间，提高计算效率，甚至提高准确率。
附图说明
图1为一个实施例中基于自然语言处理技术的电力操作票设备识别与勘误方法的流程示意图；
图2为一个实施例中基于自然语言处理技术的电力操作票设备识别与勘误方法的应用环境图；
图3为一个实施例中获取基于历史电力操作票微调的BERT预训练模型的示意图；
图4为一个实施例中在设备台账数据库里进行设备检索的示意图；
图5为一个实施例中打分机制示意图；
图6（a）为一个实施例中选中待识别操作项的示意图；
图6（b）为一个实施例中利用设备识别引擎进行设备识别的示意图；
图6（c）为一个实施例中推送正确操作项的示意图；
图7为一个实施例中基于自然语言处理技术的电力操作票设备识别与勘误装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。
本申请提供一种基于自然语言处理技术的电力操作票设备识别与勘误方法，结合图1和图2介绍该方法包括的步骤。
步骤S101，获取基于历史电力操作票微调的BERT预训练模型，以得到设备识别引擎和设备匹配引擎。
BERT是基于transformer的双向编码表示的一个预训练模型，模型训练时的两个任务是预测句子中被掩盖的词以及判断输入的两个句子是不是上下句。在预训练好的BERT模型后面根据特定任务加上相应的网络，可以完成NLP的下游任务。
如图3所示，本申请将历史电力操作票作为语料，对BERT预训练模型进行微调，使得BERT预训练模型能够挖掘到更多的操作票特征，从而提高电力操作票识别和匹配的准确率。
步骤S102，将当前电力操作票的待识别操作项输入设备识别引擎，识别出待识别操作项里的待操作电力设备。
要对电力操作票进行勘误，就需要从电力操作票中识别出电力设备，电力操作票是文本数据，基于自然语言处理技术能很好的对文本数据进行处理。本申请可以使用BERT预训练模型对文本形式的当前电力操作票进行编码，利用设备识别引擎（例如：BERT+MRC模型），对编码后的当前电力操作票进行设备识别。
步骤S103，若待操作电力设备不存在于设备台账数据库里，则确定待识别操作项为书写出错操作项，并基于待操作电力设备，在设备台账数据库里进行检索，得到候选电力设备集。
在步骤S102中已经获取了待操作电力设备，需要对该待操作电力设备进行勘误，勘误可以基于设备台账数据库进行，判断该待操作电力设备是否存在于设备台账数据库，如果存在，则说明该待操作电力设备书写无误，若不存在，则说明该待操作电力设备书写有误，这时，基于该待操作电力设备对台账数据库进行检索，检索出候选电力设备集，候选电力设备集用于对该待操作电力设备进行勘误，如图4所示。
进一步地，本申请提供的方法还包括：若所述待操作电力设备存在于设备台账数据库，则确定所述待识别操作项为书写正确操作项。
步骤S104，通过设备匹配引擎，在候选电力设备集进行匹配判断，得到候选电力设备集中各候选电力设备的得分。
在步骤S103中的设备检索是对候选电力设备的一个粗召回，进一步地，本申请设置了基于相似度的打分规则，对候选电力设备集中的候选电力设备进行打分，打分机制使用的是基于BERT预训练模型，训练相似度分类模型；如图5所示，可以设置了1到5的相似度数值标签，数值越大，代表相似度越高。基于这样的分类标签，使用历史台账数据进行模型训练，得到可以适配电力操作票的设备匹配引擎。
步骤S105，按待操作电力设备在待识别操作项中的位置，将候选电力设备集中的各候选电力设备分别嵌入待识别操作项中，得到正确操作项列表。
本申请中，对电力操作票里的电力设备正确性进行校核，引入自然语言处理技术的BERT预训练模型，利用历史电力操作票对BERT预训练模型进行微调，得到设备识别引擎，将当前电力操作票的待识别操作项输入所述设备识别引擎，识别出所述待识别操作项里的待操作电力设备，实现操作票设备的精准设别；并且，利用历史设备台账数据对BERT预训练模型进行微调，得到设备匹配引擎，若所述待操作电力设备不存在于设备台账数据库里，则确定所述待识别操作项为书写出错操作项，并基于所述待操作电力设备，在所述设备台账数据库里进行检索，得到候选电力设备集；通过所述设备匹配引擎，在所述候选电力设备集进行匹配判断，得到所述候选电力设备集中各候选电力设备的得分，按待操作电力设备在所述待识别操作项中的位置，将所述候选电力设备集中的各候选电力设备分别嵌入所述待识别操作项中，得到正确操作项列表，以对电力设备的正确性进行校核；另外，本申请所获取的基于历史电力操作票微调的BERT预训练模型，相比于从头开始训练，微调可以节省大量计算资源和计算时间，提高计算效率，甚至提高准确率。
进一步地，获取基于历史电力操作票微调的BERT预训练模型，得到设备识别引擎，具体包括如下步骤：获取基于历史电力操作票微调的BERT预训练模型；在所述BERT预训练模型之后添加MRC模型，得到设备识别引擎。
BERT+MRC模型是实体识别领域的一个SOTA模型，在数据量较小的情况下效果较其他模型要更好，原因是BERT+MRC模型可以通过问题加入一些先验知识，减小由于数据量太小带来的问题，在实际实验中，在数据量比较小的情况下，BERT+MRC模型的效果要较其他模型要更好一点。BERT+MRC模型很适合在缺乏标注数据的场景下使用。
进一步地，获取基于历史电力操作票微调的BERT预训练模型，得到设备匹配引擎，具体包括如下步骤：获取基于历史电力操作票微调的BERT预训练模型；基于所述BERT预训练模型，训练相似度分类模型，得到设备匹配引擎。
进一步地，在得到正确操作项列表之后，本申请提供的方法还包括：按与正确操作项对应的候选电力设备的得分高低，对所述正确操作项列表里的各正确操作项进行排序。
在一个实施例中，如图6（a）、图6（b）和图6（c）所示，在当前电力操作票中，本申请可以对用户选中的待识别操作项进行自动解析，通过设备识别引擎确定待识别操作项中的待操作电力设备，若待操作电力设备书写错误，则推送正确操作项列表。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种基于自然语言处理技术的电力操作票设备识别与勘误装置，包括：
引擎获取模块701，用于获取基于历史电力操作票微调的BERT预训练模型，以得到设备识别引擎和设备匹配引擎；
设备识别模块702，用于将当前电力操作票的待识别操作项输入所述设备识别引擎，识别出所述待识别操作项里的待操作电力设备；
书写正确性确定模块703，用于若所述待操作电力设备不存在于设备台账数据库里，则确定所述待识别操作项为书写出错操作项；
设备检索模块704，用于基于所述待操作电力设备，在所述设备台账数据库里进行检索，得到候选电力设备集；
匹配判断模块705，用于通过所述设备匹配引擎，在所述候选电力设备集进行匹配判断，得到所述候选电力设备集中各候选电力设备的得分；
嵌入模块706，用于按所述待操作电力设备在所述待识别操作项中的位置，将所述候选电力设备集中的各候选电力设备分别嵌入所述待识别操作项中，得到相应的正确操作项。
在一个实施例中，引擎获取模块701，还用于获取基于历史电力操作票微调的BERT预训练模型；在所述BERT预训练模型之后添加MRC模型，得到设备识别引擎。
在一个实施例中，引擎获取模块701，还用于获取基于历史电力操作票微调的BERT预训练模型；基于所述BERT预训练模型，训练相似度分类模型，得到设备匹配引擎。
在一个实施例中，书写正确性确定模块703，还用于若所述待操作电力设备存在于设备台账数据库，则确定所述待识别操作项为书写正确操作项。
在一个实施例中，本申请提供的装置还包括排序模块，用于按与正确操作项对应的候选电力设备的得分高低，对所述正确操作项列表里的各正确操作项进行排序。
关于基于自然语言处理技术的电力操作票设备识别与勘误装置的具体限定可以参见上文中对于基于自然语言处理技术的电力操作票设备识别与勘误方法的限定，在此不再赘述。上述基于自然语言处理技术的电力操作票设备识别与勘误装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于自然语言处理技术的电力操作票设备识别与勘误数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备还包括输入输出接口，输入输出接口是处理器与外部设备之间交换信息的连接电路，它们通过总线与处理器相连，简称I/O接口。该计算机程序被处理器执行时以实现一种基于自然语言处理技术的电力操作票设备识别与勘误方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述各个方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，其上存储有计算机程序，所述计算机程序被处理器执行上述各个方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（DynamicRandom Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上的实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于自然语言处理技术的电力操作票设备识别与勘误方法，其特征在于，所述方法包括：
获取基于历史电力操作票微调的BERT预训练模型，以得到设备识别引擎和设备匹配引擎；
将当前电力操作票的待识别操作项输入所述设备识别引擎，识别出所述待识别操作项里的待操作电力设备；
若所述待操作电力设备不存在于设备台账数据库里，则确定所述待识别操作项为书写出错操作项，并基于所述待操作电力设备，在所述设备台账数据库里进行检索，得到候选电力设备集；
通过所述设备匹配引擎，在所述候选电力设备集进行匹配判断，得到所述候选电力设备集中各候选电力设备的得分；
按所述待操作电力设备在所述待识别操作项中的位置，将所述候选电力设备集中的各候选电力设备分别嵌入所述待识别操作项中，得到正确操作项列表。
2.根据权利要求1所述的方法，其特征在于，获取基于历史电力操作票微调的BERT预训练模型，得到设备识别引擎，包括：
获取基于历史电力操作票微调的BERT预训练模型；
在所述BERT预训练模型之后添加MRC模型，得到设备识别引擎。
3.根据权利要求1所述的方法，其特征在于，获取基于历史电力操作票微调的BERT预训练模型，得到设备匹配引擎，包括：
获取基于历史电力操作票微调的BERT预训练模型；
基于所述BERT预训练模型，训练相似度分类模型，得到设备匹配引擎。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述待操作电力设备存在于设备台账数据库，则确定所述待识别操作项为书写正确操作项。
5.根据权利要求1所述的方法，其特征在于，在得到正确操作项列表之后，所述方法还包括：
按与正确操作项对应的候选电力设备的得分高低，对所述正确操作项列表里的各正确操作项进行排序。
6.一种基于自然语言处理技术的电力操作票设备识别与勘误装置，其特征在于，所述装置包括：
引擎获取模块，用于获取基于历史电力操作票微调的BERT预训练模型，以得到设备识别引擎和设备匹配引擎；
设备识别模块，用于将当前电力操作票的待识别操作项输入所述设备识别引擎，识别出所述待识别操作项里的待操作电力设备；
书写正确性确定模块，用于若所述待操作电力设备不存在于设备台账数据库里，则确定所述待识别操作项为书写出错操作项；
设备检索模块，用于基于所述待操作电力设备，在所述设备台账数据库里进行检索，得到候选电力设备集；
匹配判断模块，用于通过所述设备匹配引擎，在所述候选电力设备集进行匹配判断，得到所述候选电力设备集中各候选电力设备的得分；
嵌入模块，用于按所述待操作电力设备在所述待识别操作项中的位置，将所述候选电力设备集中的各候选电力设备分别嵌入所述待识别操作项中，得到相应的正确操作项。
7.根据权利要求6所述的装置，其特征在于，所述引擎获取模块，还用于：
获取基于历史电力操作票微调的BERT预训练模型；
在所述BERT预训练模型之后添加MRC模型，得到设备识别引擎。
8.根据权利要求6所述的装置，其特征在于，所述引擎获取模块，还用于：
获取基于历史电力操作票微调的BERT预训练模型；
基于所述BERT预训练模型，训练相似度分类模型，得到设备匹配引擎。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310467759.XA CN116187313B (zh) | 2023-04-27 | 2023-04-27 | 基于自然语言处理技术的电力操作票设备识别与勘误方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310467759.XA CN116187313B (zh) | 2023-04-27 | 2023-04-27 | 基于自然语言处理技术的电力操作票设备识别与勘误方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116187313A CN116187313A (zh) | 2023-05-30 |
| CN116187313B true CN116187313B (zh) | 2023-06-27 |
Family
ID=86436849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310467759.XA Active CN116187313B (zh) | 2023-04-27 | 2023-04-27 | 基于自然语言处理技术的电力操作票设备识别与勘误方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187313B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353487A (zh) * | 2019-08-20 | 2020-06-30 | 国网浙江省电力有限公司台州供电公司 | 用于变电站的设备信息提取方法 |
| CN112860872A (zh) * | 2021-03-17 | 2021-05-28 | 广东电网有限责任公司 | 基于自学习的配电网操作票语义合规性的校验方法及系统 |
| WO2021139175A1 (zh) * | 2020-01-09 | 2021-07-15 | 国网浙江省电力有限公司舟山供电公司 | 一种基于卷积神经网络的电力操作票文字识别方法 |
| CN113537921A (zh) * | 2021-05-29 | 2021-10-22 | 中国南方电网有限责任公司 | 一种智能安全防误校验系统及其防误校验系统 |
| CN114818995A (zh) * | 2022-06-27 | 2022-07-29 | 广东电网有限责任公司佛山供电局 | 一种无工作票违规作业的识别预警方法、装置及设备 |
| CN115455133A (zh) * | 2022-09-21 | 2022-12-09 | 广东电网有限责任公司 | 一种基于文本挖掘的操作票校核方法、系统及设备 |
| CN115563550A (zh) * | 2022-11-08 | 2023-01-03 | 云南电网有限责任公司昭通供电局 | 一种基于k近邻的配网调度操作票错误关键字识别方法 |
-
2023
- 2023-04-27 CN CN202310467759.XA patent/CN116187313B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353487A (zh) * | 2019-08-20 | 2020-06-30 | 国网浙江省电力有限公司台州供电公司 | 用于变电站的设备信息提取方法 |
| WO2021139175A1 (zh) * | 2020-01-09 | 2021-07-15 | 国网浙江省电力有限公司舟山供电公司 | 一种基于卷积神经网络的电力操作票文字识别方法 |
| CN112860872A (zh) * | 2021-03-17 | 2021-05-28 | 广东电网有限责任公司 | 基于自学习的配电网操作票语义合规性的校验方法及系统 |
| CN113537921A (zh) * | 2021-05-29 | 2021-10-22 | 中国南方电网有限责任公司 | 一种智能安全防误校验系统及其防误校验系统 |
| CN114818995A (zh) * | 2022-06-27 | 2022-07-29 | 广东电网有限责任公司佛山供电局 | 一种无工作票违规作业的识别预警方法、装置及设备 |
| CN115455133A (zh) * | 2022-09-21 | 2022-12-09 | 广东电网有限责任公司 | 一种基于文本挖掘的操作票校核方法、系统及设备 |
| CN115563550A (zh) * | 2022-11-08 | 2023-01-03 | 云南电网有限责任公司昭通供电局 | 一种基于k近邻的配网调度操作票错误关键字识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Power transformer fault diagnosis based on dissolved gas analysis by support vector machine;KHMAIS BACHA, et al.;Electric Power Systems Research;全文 * |
| 基于自然语言分析及专家系统的智能调度操作票系统研究与应用;李治;张臻;张烨;尹天华;;河北电力技术(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116187313A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021253904A1 (zh) | 测试案例集生成方法、装置、设备及计算机可读存储介质 | |
| US11651014B2 (en) | Source code retrieval | |
| CN112256845B (zh) | 意图识别方法、装置、电子设备和计算机可读存储介质 | |
| CN110334186B (zh) | 数据查询方法、装置、计算机设备及计算机可读存储介质 | |
| CN112633419A (zh) | 小样本学习方法、装置、电子设备和存储介质 | |
| CN110728313B (zh) | 一种用于意图分类识别的分类模型训练方法及装置 | |
| CN112183102A (zh) | 基于注意力机制与图注意力网络的命名实体识别方法 | |
| CN113569050A (zh) | 基于深度学习的政务领域知识图谱自动化构建方法和装置 | |
| CN112613293A (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
| CN117520590B (zh) | 海洋跨模态图文检索方法、系统、设备及存储介质 | |
| CN111611796A (zh) | 下位词的上位词确定方法、装置、电子设备及存储介质 | |
| CN114282513A (zh) | 文本语义相似度的匹配方法、系统、智能终端及存储介质 | |
| CN117009516A (zh) | 换流站故障策略模型训练方法、推送方法及装置 | |
| CN116089586B (zh) | 基于文本的问题生成方法及问题生成模型的训练方法 | |
| CN116187313B (zh) | 基于自然语言处理技术的电力操作票设备识别与勘误方法 | |
| CN114647739B (zh) | 实体链指方法、装置、电子设备及存储介质 | |
| CN113468307B (zh) | 文本处理方法、装置、电子设备及存储介质 | |
| CN112989040B (zh) | 一种对话文本标注方法、装置、电子设备及存储介质 | |
| CN114580398A (zh) | 文本信息提取模型生成方法、文本信息提取方法和装置 | |
| CN114254622A (zh) | 一种意图识别方法和装置 | |
| CN114239555A (zh) | 一种关键词提取模型的训练方法及相关装置 | |
| CN110795941B (zh) | 一种基于外部知识的命名实体识别方法、系统及电子设备 | |
| CN110928987B (zh) | 基于神经网络混合模型的法律条文检索方法及相关设备 | |
| CN117909505B (zh) | 事件论元的抽取方法及相关设备 | |
| CN113378543B (zh) | 数据分析方法、训练数据分析模型的方法及电子设备 |
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 |