CN117408631A - 操作票的生成方法、装置及存储介质 - Google Patents
操作票的生成方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117408631A CN117408631A CN202311347188.2A CN202311347188A CN117408631A CN 117408631 A CN117408631 A CN 117408631A CN 202311347188 A CN202311347188 A CN 202311347188A CN 117408631 A CN117408631 A CN 117408631A
- Authority
- CN
- China
- Prior art keywords
- ticket
- data
- operation ticket
- deep learning
- learning model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013136 deep learning model Methods 0.000 claims abstract description 92
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 62
- 230000001419 dependent effect Effects 0.000 claims description 24
- 238000012550 audit Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 description 26
- 238000007689 inspection Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000002955 isolation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力系统技术领域，具体公开了一种操作票的生成方法、装置及存储介质，包括：接收成票调度令；根据电力行业知识、标准操作票数据以及设备操作票手册获得成票所需数据；根据所述成票调度令调用预训练的深度学习模型，并将所述成票调度令输入至所述预训练的深度学习模型以生成目标操作票，所述预训练的深度学习模型能够根据所述成票调度令和所述成票所需数据获得目标操作票；输出所述目标操作票。本发明提供的操作票的生成方法能够提高操作票的生成效率。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及一种操作票的生成方法、操作票的生成装置及存储介质。
背景技术
在电力系统中，为了实现调度更改或变电等操作，通常需要对电力设备按照特定顺序进行一系列操作。为方便管理和依据执行操作，这些操作被整理成操作票的形式。操作票不仅是实际操作人员现场操作的依据，还可作为历史数据供后续使用。目前，变电站调度操作票的生成大多由现场人员根据调度指令手动编写，缺乏自动化和智能化。在实际使用中，操作票的编写存在以下问题和困难：
（1）历史操作票的数量有限，难以覆盖所有操作情况。
（2）紧急情况下或需要频繁、多次编辑新的操作票的情况下，过程繁琐、效率很低。
（3）标准化程度不高，不同人员编写的操作票，语言的表达上会存在差异。
（4）复杂的新操作票编写困难，通常需要资深电网调度员进行编写。
（5）人工编写操作票难以避免存在人为错误。
由于上述问题的存在，使得成票的工作效率低，浪费人力成本，以及难以避免人为失误，影响电网安全运行。
因此，如何能够提高操作票的生成效率成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种操作票的生成方法、操作票的生成装置及存储介质，解决相关技术中存在的操作票的生成效率低的问题。
作为本发明的第一个方面，提供一种操作票的生成方法，其中，包括：
接收成票调度令；
根据电力行业知识、标准操作票数据以及设备操作票手册获得成票所需数据；
根据所述成票调度令调用预训练的深度学习模型，并将所述成票调度令输入至所述预训练的深度学习模型以生成目标操作票，所述预训练的深度学习模型能够根据所述成票调度令和所述成票所需数据获得目标操作票；
输出所述目标操作票。
进一步地，所述预训练的深度学习模型能够根据所述成票调度令和所述成票所需数据获得目标操作票，包括：
根据所述成票调度令生成初始操作票，所述初始操作票包括当前操作任务的操作目标和目标设备在内的原始操作流程；
将所述初始操作票与所述成票所需数据进行相似度匹配，获得操作票内容；
对所述操作票内容进行优化以及标准化处理，获得目标操作票。
进一步地，将所述初始操作票与所述成票所需数据进行相似度匹配，获得操作票内容，包括：
将所述初始操作票与成票所需数据进行相似度匹配，以获得目标成票依赖数据；
根据所述目标成票依赖数据生成操作票内容。
进一步地，将所述初始操作票与向量化后的成票所需数据进行相似度匹配，以获得目标成票依赖数据，包括：
将所述初始操作票进行向量化处理，获得向量化初始操作票；
将向量化初始操作票与成票所需数据进行相似度匹配，获得第一匹配结果；
将所述第一匹配结果与所述成票调度令进行语义相似度匹配，以获得第二匹配结果；
若所述第二匹配结果中存在与所述成票调度令匹配的操作票，则将所述第二匹配结果中的操作票作为目标成票依赖数据。
进一步地，根据电力行业知识、标准操作票数据以及设备操作票手册获得成票所需数据，包括：
将所述电力行业知识、标准操作票数据和设备操作手册通过嵌入模型进行向量化存储，以获得整合知识库；
对所述整合知识库进行整理获得成票所需数据，所述成票所需数据包括按照预设文本格式整理的成票必要信息，所述预设文本格式包括待操作步骤、待操作设备和待操作设备的操作方法。
进一步地，还包括：
根据历史电力操作票和电力专业知识对深度学习模型基于问答形式进行训练，获得预训练的深度学习模型。
进一步地，根据历史电力操作票和电力专业知识对深度学习模型基于问答形式进行训练，获得预训练的深度学习模型，包括：
根据历史电力操作票生成操作票训练数据，其中所述操作票训练数据包括调度令输入数据和对应的操作票输出数据；
根据电力专业知识基于生成电力专业知识训练数据，其中所述电力专业知识训练数据包括基于电力专业知识内容形成的提问输入数据和对应的专业回复输出数据；
根据所述操作票训练数据和所述电力专业知识训练数据确定深度学习模型的输入数据和输出数据，所述深度学习模型的输入数据为调度令形式，所述深度学习模型的输出数据为操作票形式；
根据深度学习模型的输入数据和输出数据进行训练获得预训练的深度学习模型。
进一步地，根据电力专业知识基于生成电力专业知识训练数据，包括：
根据电力专业知识文档按照段落划分为多个文档知识段落；
将多个文档知识段落输入至深度学习模型，以使得所述深度学习模型根据预设段落总结提示词对每个文档知识段落的内容进行归纳总结获得对应的提问内容；
当接收到每个文档知识段落和对应的提问内容确认正确的审核通知时，将提问内容作为输入数据以及将对应的文档知识段落作为输出数据进行拼接后形成拼接数据；
将所述拼接数据作为电力专业知识训练数据。
作为本发明的另一个方面，提供一种操作票的生成装置，用于实现所述的操作票的生成方法，其中，所述操作票的生成装置包括：
接收模块，用于接收成票调度令；
成票数据获得模块，用于根据电力行业知识、标准操作票数据以及设备操作票手册获得成票所需数据；
目标操作票生成模块，用于根据所述成票调度令调用预训练的深度学习模型，并将所述成票调度令输入至所述预训练的深度学习模型以生成目标操作票，所述预训练的深度学习模型能够根据所述成票调度令和所述成票所需数据获得目标操作票；
输出模块，用于输出所述目标操作票。
作为本发明的另一个方面，提供一种存储介质，其中，包括计算机指令，所述计算机指令被处理器加载并执行时实现前文所述的操作票的生成方法。
本发明提供的操作票的生成方法，通过将电力行业知识、标准操作票数据以及设备操作手册进行整合获得成票所需数据，进而依据该成票所需数据对深度学习模型进行训练获得预训练的深度学习模型，当成票调度令输入至该预训练的深度学习模型后能够获得与之匹配的目标操作票，这种操作票的生成方法能够实现操作票的自动生成，无需认为过多干预，且由于从大量已有数据中学习到相应的逻辑关系，因此能够有效提升生成的操作票的准确性。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
图1为本发明提供的操作票的生成方法的流程图。
图2为本发明提供的获得成票所需数据的流程图。
图3为本发明提供的整合知识库的整合示意图。
图4为本发明提供的GPT模型训练示意图。
图5为本发明提供的获得预训练的深度学习模型的流程图。
图6为本发明提供的电力专业知识训练数据数据生成的流程图。
图7为本发明提供的文档切分示例图。
图8为本发明提供的电力专业文档微调数据构造的示意图。
图9为本发明提供的目标操作票的获得流程图。
图10为本发明提供的具体操作票生成的示意图。
图11为本发明提供的获得操作票内容的流程图。
图12为本发明提供的依赖数据的匹配的示意图。
图13为本发明提供的操作票的生成方法的整体流程图。
图14为本发明提供的操作票的生成装置的结构框图。
图15为本发明提供的电子设备的结构框图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种操作票的生成方法，图1是根据本发明实施例提供的操作票的生成方法的流程图，如图1所示，包括：
S100、接收成票调度令；
应当理解的是，当用户需要生成操作票时，会将当前的需要形成成票调度令，具体所述成票调度令具体可以为“拉开211负荷开关，在211负荷开关线路侧挂地线”。
由于成票调度令的具体内容与用户的需求操作关联，不同的现场操作需求形成不同的成票调度令，因此，本发明实施例对于成票调度令的具体内容并不做限定。
S200、根据电力行业知识、标准操作票数据以及设备操作票手册获得成票所需数据；
在本发明实施例中，为了能够获得更加精准的目标操作票，通过电力行业知识、标准操作票数据以及设备操作票手册实现数据整合，获得成票所需数据，从而能够辅助预训练的深度学习模型实现操作票的智能生成。
S300、根据所述成票调度令调用预训练的深度学习模型，并将所述成票调度令输入至所述预训练的深度学习模型以生成目标操作票，所述预训练的深度学习模型能够根据所述成票调度令和所述成票所需数据获得目标操作票；
在本发明实施例中，通过成票所需数据对深度学习模型进行训练获得预训练的深度学习模型，进而基于成票调度令和成票所需数据输入至预训练的深度学习模型获得目标操作票，这种方式能够实现操作票的智能生成，且由于采用前文所述的成票所需数据进行训练获得，能够获得与成票调度令匹配的目标操作票。
S400、输出所述目标操作票。
综上，本发明提供的操作票的生成方法，通过将电力行业知识、标准操作票数据以及设备操作手册进行整合获得成票所需数据，进而依据该成票所需数据对深度学习模型进行训练获得预训练的深度学习模型，当成票调度令输入至该预训练的深度学习模型后能够获得与之匹配的目标操作票，这种操作票的生成方法能够实现操作票的自动生成，无需认为过多干预，且由于从大量已有数据中学习到相应的逻辑关系，因此能够有效提升生成的操作票的准确性。
在本发明实施例中，如图2所示，根据电力行业知识、标准操作票数据以及设备操作票手册获得成票所需数据，包括：
S210、将所述电力行业知识、标准操作票数据和设备操作手册通过嵌入模型进行向量化存储，以获得整合知识库；
应当理解的是，构建整合知识库时，整合知识库的数据内容来源如图3所示，包括电力行业知识、标准操作票数据、设备操作手册。
在本发明实施例中，具体可以将所述电力行业知识、标准操作票数据和设备操作手册通过text2vec模型进行向量化存储，以便于后续用于相似度匹配。当然还可以为其他嵌入模型，例如词嵌入模型等。本发明实施例中通过text2vec模型能够实现中文支持度优，且匹配结果更加准确的效果。另外，将上述电力行业知识、标准操作票数据和设备操作手册进行向量化存储后，可以利用向量化计算更加快速高效的优势，提高计算效率。
S220、对所述整合知识库进行整理获得成票所需数据，所述成票所需数据包括按照预设文本格式整理的成票必要信息，所述预设文本格式包括待操作步骤、待操作设备和待操作设备的操作方法。
应当理解的是，将整合数据整理为成票所需数据，在成票所需数据中包含有成票的必要信息：
（1）待操作步骤；
（2）待操作设备；
（3）待操作设备的操作方法。
整合数据整理成为成票所需数据的示例如下：
1）“拉开211负荷开关，211负荷开关操作步骤说明：需要首先将211遥控手把切换至当地位置，再将检查211变压器侧带电显示器三相灯亮。接着，拉开211开关，并检查211开关已拉开。最后，检查211变压器侧带电显示器三相灯灭”；
2）“211负荷开关线路侧挂地线，211负荷开关操作步骤说明：需要合上211-7开关，再检查211-7开关状态应合上”。
为了实现操作票的智能生成，本发明实施例借助于深度学习模型进行自学习后获得的预训练的深度学习模型实现。
具体地，根据历史电力操作票和电力专业知识对深度学习模型基于问答形式进行训练，获得预训练的深度学习模型。
在本发明实施例中，深度学习模型具体以GPT（Generative Pre-TrainedTransformer，生成式预训练Transformer模型）模型为例，如图4所示，本发明中GPT模型的训练需要将历史电力操作票、电力专业知识作为语料对GPT模型进行训练，从而得到更贴近电力行业操作票生成的电力GPT预训练模型。
进一步具体地，如图5所示，根据历史电力操作票和电力专业知识对深度学习模型基于问答形式进行训练，获得预训练的深度学习模型，包括：
S510、根据历史电力操作票生成操作票训练数据，其中所述操作票训练数据包括调度令输入数据和对应的操作票输出数据；
在本发明实施例中，仍然以GPT模型为例，由于GPT模型训练为问答的形式，因此训练数据需遵循严格的输入、输出的格式。
具体地，所述操作票训练数据的输入输出对具体示例为：
调度令输入数据：
“目标操作内容：在211负荷开关线路侧挂地线，需要操作211负荷开关
必要的成票信息：拉开211负荷开关，211负荷开关操作步骤说明：需要首先将211遥控手把切换至当地位置，再将检查211变压器侧带电显示器三相灯亮。接着，拉开211开关，并检查211开关已拉开。最后，检查211变压器侧带电显示器三相灯灭”；
对应的操作票输出数据：
“1.将211遥控手把切换至当地位置
2.检查211变压器侧带电显示器三相灯亮
3.拉开211
4.检查211应拉开
5.检查211变压器侧带电显示器三相灯灭”。
在该方式中，预期让GPT模型学会根据输入的调度令生成标准的操作票文本。这一步中，需要收集大量历史操作票和它对应的调度令，让GPT从中学习到生成操作票隐含逻辑关系。由于GPT的训练数据的格式是输入输出对的形式，因此这里调度令是输入，操作票文本是输出。
S520、根据电力专业知识基于生成电力专业知识训练数据，其中所述电力专业知识训练数据包括基于电力专业知识内容形成的提问输入数据和对应的专业回复输出数据；
在本发明实施例中，由于电力专业知识多文档形式，因此通过对文档进行处理后获得电力专业知识训练数据。在该方式中，预期让GPT模型学会电力行业的知识。
具体地，如图6所示，根据电力专业知识基于生成电力专业知识训练数据，包括：
S521、根据电力专业知识文档按照段落划分为多个文档知识段落；
如图7所示，将文档切分示例，图7中所示文档可以切分为以下两个段落：
段落1：
对于操作票类型，有不同类型的操作票，如开关操作票、隔离操作票、检修操作票等。每种类型的操作票都针对特定操作情景，确保在操作中安全可靠。
段落2：
操作票通常规定只有经过培训和资质认证的人员才能执行操作。这有助于确保操作人员熟悉操作流程和安全措施。
S522、将多个文档知识段落输入至深度学习模型，以使得所述深度学习模型根据预设段落总结提示词对每个文档知识段落的内容进行归纳总结获得对应的提问内容；
将上述两个段落均输入至GPT模型，借助GPT根据段落内容归纳总结出合适的提问内容作为输入。
此处输入GPT时，可借助提示词技术，让GPT对段落总结并输出符合要求的提问。
S523、当接收到每个文档知识段落和对应的提问内容确认正确的审核通知时，将提问内容作为输入数据以及将对应的文档知识段落作为输出数据进行拼接后形成拼接数据；
如图8所示，GPT模型生成的根据文档段落的提问需要经过人工审核、矫正，确保GPT模型自行提出的问题与文档内容是合理准确的，避免因提出的问题与文档内容存在逻辑性矛盾而导致微调后的模型效果不佳。
应当理解的是，人工审核完成后会向系统反馈审核完成的通知内容，因此，接收到审核完成的通知后，进行提示词拼接获得拼接数据。
以段落1为例，拼接提示词后输入GPT模型的内容如下：
“请概括总结以下段落内容，并根据段落内容，总结出符合当前段落的提问内容。
以下为段落内容：
对于操作票类型，有不同类型的操作票，如开关操作票、隔离操作票、检修操作票等。每种类型的操作票都针对特定操作情景，确保在操作中安全可靠。”
S524、将所述拼接数据作为电力专业知识训练数据。
将上述拼接后的数据作为电力专业知识训练数据，输入至GPT模型进行训练。
因此，经过上述处理后，可得到示例的电力专业知识训练数据的输入输出1和输入输出2。
输入输出1
“输入：操作票都有哪些类型
输出：对于操作票类型，有不同类型的操作票，如开关操作票、隔离操作票、检修操作票等。每种类型的操作票都针对特定操作情景，确保在操作中安全可靠” 。
示例输入输出2
“输入：操作票的操作人员需要符合哪些资质
输出：操作票通常规定只有经过培训和资质认证的人员才能执行操作。这有助于确保操作人员熟悉操作流程和安全措施”。
以上即为两个电力专业知识训练数据输入输出示例，以便GPT学会电力行业比较通用的专业知识。
S530、根据所述操作票训练数据和所述电力专业知识训练数据确定深度学习模型的输入数据和输出数据，所述深度学习模型的输入数据为调度令形式，所述深度学习模型的输出数据为操作票形式；
S540、根据深度学习模型的输入数据和输出数据进行训练获得预训练的深度学习模型。
在获得上述操作票训练数据和电力专业知识训练数据后，均输入至GPT模型进行训练，获得预训练的GPT模型。
需要说明的是，针对语义相同的输入数据可以进行数据扩充，即语义相同的输入数据获得的输出均相同。
例如，输入1：“拉开211负荷开关，在211负荷开关线路侧挂地线”；
输入2：“需要拉开211负荷的开关，然后在211负荷开关线路侧挂地线”；
输入3：“需要进行拉开211负荷的开关的操作，接着，在211负荷开关线路侧挂地线”。
由于以上输入的语义相同，因此都可以对应到相同的输出：
“1.将211遥控手把切换至当地位置
2.检查211变压器侧带电显示器三相灯亮
3.拉开211开关
4.检查211应拉开
5.检查211变压器侧带电显示器三相灯灭
6.合上211-7
7.检查211-7应合上”。
根据以上两个训练数据进行微调后的模型，具备电力行业操作票生成的逻辑能力。
以下面这一电力操作票生成中的具体例子阐述体现，经过微调后的GPT模型输入输出的变化：
示例输入输出1
输入：“拆223开关线路侧挂地线”
输出：“拆223开关线路侧挂地线，需要操作223-7开关”
示例输入输出2
输入：
“目标操作内容：在211负荷开关线路侧挂地线，需要操作211负荷开关
必要的成票信息：拉开211负荷开关，211负荷开关操作步骤说明：需要首先将211遥控手把切换至当地位置，再将检查211变压器侧带电显示器三相灯亮。接着，拉开211开关，并检查211开关已拉开。最后，检查211变压器侧带电显示器三相灯灭”
输出：
“1.将211遥控手把切换至当地位置
2.检查211变压器侧带电显示器三相灯亮
3.拉开211
4.检查211应拉开
5.检查211变压器侧带电显示器三相灯灭”
因此，本发明实施例基于电力专业知识形成电力专业知识训练数据，基于历史电力操作票生成操作票训练数据，进而根据电力专业知识训练数据和操作票训练数据对深度学习模型进行训练，以便于得到能够适应电力行业的预训练的深度学习模型。另外，对训练数据的输入通过相同语义改写的方式进行数据扩充，即将每一条训练数据扩充为多条相同语义的输入，而输出保持不变。在完成了以上训练数据的准备后，便可使用这些数据对深度学习模型进行微调，最终得到适应电力行业、能够高效准确地生成操作票的预训练的深度学习模型。
在本发明实施例中，通过上述预训练的深度学习模型对输入的成票调度令以及成票所需数据进行匹配获得目标操作票，具体地，如图9所示，所述预训练的深度学习模型能够根据所述成票调度令和所述成票所需数据获得目标操作票，包括：
S310、根据所述成票调度令生成初始操作票，所述初始操作票包括当前操作任务的操作目标和目标设备在内的原始操作流程；
在本发明实施例中，仍然以GPT模型位列，通过调用GPT模型生成一份操作票的原始操作流程，该原始操作流程中包含当前操作任务的操作目标和目标设备。
如图10所示，以输入为“拉开211负荷开关，在211负荷开关线路侧挂地线”的成票调度令为例。该成票调度令输入至GPT模型后，GPT模型输出操作票的原始操作流程文本：
“拉开211负荷开关，需要操作211负荷开关
在211负荷开关线路侧挂地线，需要操作211负荷开关”。
S320、将所述初始操作票与所述成票所需数据进行相似度匹配，获得操作票内容；
在本发明实施例中，通过对初始操作票和成票所需数据进行相似度匹配，能够获得具体的操作步骤。
具体地，如图11所示，将所述初始操作票与所述成票所需数据进行相似度匹配，获得操作票内容，包括：
S321、将所述初始操作票与成票所需数据进行相似度匹配，以获得目标成票依赖数据；
应当理解的是，为了实现对初始操作票和成票所需数据的相似度匹配，可以通过分别对初始操作票合成票所需数据进行向量化处理，进而通过计算向量之间的欧式距离，或者借助于余弦相似度等计算方式，得到向量之间的相似度，从而实现将调度令与整合数据进行向量相似度匹配，以此来进行成票依赖数据的匹配查询。
进一步具体地，将所述初始操作票与向量化后的成票所需数据进行相似度匹配，以获得目标成票依赖数据，如图12所示，包括：
（1）将所述初始操作票进行向量化处理，获得向量化初始操作票；
应当理解的是，在进行相似度匹配之前，同样需要通过嵌入模型对初始操作票进行向量化处理，从而能够实现后续匹配出相似度高的内容信息。
（2）将向量化初始操作票与成票所需数据进行相似度匹配，获得第一匹配结果；
在接收到根据调度令文本生成原始操作流程“拉开211负荷开关，在211负荷开关线路侧挂地线”时，会将该文本进行向量化，并将向量化后的调度令文本与整合知识库中内容根据余弦计算进行相似度匹配。
接着通过预设的阈值，对不满足阈值条件的相似内容进行过滤，只保留相似度较高的成票数据。
（3）将所述第一匹配结果与所述成票调度令进行语义相似度匹配，以获得第二匹配结果；
为了更加全面准确的匹配到全部相关成票数据，此处通过语义相似度匹配的方式，能够更加准确地匹配调度令和成票依赖数据之间的相似性。
需要说明的是，语义相似度匹配可以借助预设匹配提示词的方式对上述第一匹配结果进行判断，即通过对第一匹配结果中的多个成票依赖数据与成票调度令进行进一步的语义匹配，获得更加准确的成票依赖数据。
例如，若通过余弦相似度计算后获得的第一匹配结果中包括3个成票依赖数据，而通过语义相似度匹配后，在这3个成票依赖数据中匹配出的第二匹配结果中包括1个与成票调度令更加匹配的成票依赖数据。
（4）若所述第二匹配结果中存在与所述成票调度令匹配的操作票，则将所述第二匹配结果中的操作票作为目标成票依赖数据。
当第二匹配结果中存在与成票调度令匹配的操作票时，则将该操作票作为目标成票依赖数据。
S322、根据所述目标成票依赖数据生成操作票内容。
在本发明实施例中，以GPT模型为例，根据上述GPT输出的操作票原始流程文本：
“拉开211负荷开关，需要操作211负荷开关
在211负荷开关线路侧挂地线，需要操作211负荷开关”
（1）首先将“拉开211负荷开关，需要操作211负荷开关”与整合向量数据库进行相似度匹配，查找出目标成票依赖数据为：“拉开211负荷开关，211负荷开关操作步骤说明：需要首先将211遥控手把切换至当地位置，再将检查211变压器侧带电显示器三相灯亮。接着，拉开211开关，并检查211开关已拉开。最后，检查211变压器侧带电显示器三相灯灭”。
（2）根据上述匹配出的依赖数据，GPT将会生成：
“1.将211遥控手把切换至当地位置
2.检查211变压器侧带电显示器三相灯亮
3.拉开211
4.检查211应拉开
5.检查211变压器侧带电显示器三相灯灭”
以此类推，将原始操作流程的第二句“在211负荷开关线路侧挂地线，需要操作211负荷开关”进行匹配查找出成票依赖数据“211负荷开关线路侧挂地线，211负荷开关操作步骤说明：需要合上211-7开关，再检查211-7开关状态应合上”，GPT将根据该依赖数据，生成：
“6.合上211-7
7.检查211-7应合上”。
最终，对于“拉开211负荷开关，在211负荷开关线路侧挂地线”这一操作任务，GPT根据上一步中的操作票原始操作流程，以及匹配出的成票信息数据，生成的操作票内容：
“1.将211遥控手把切换至当地位置
2.检查211变压器侧带电显示器三相灯亮
3.拉开211
4.检查211应拉开
5.检查211变压器侧带电显示器三相灯灭
6.合上211-7
7.检查211-7应合上”
S330、对所述操作票内容进行优化以及标准化处理，获得目标操作票。
通过GPT模型对上述步骤中所生成的操作票内容进行逻辑检查、错误修正和标准规范化，最终输出当前阶段生成的操作票。
“1.将211遥控手把切换至当地位置
2.检查211变压器侧带电显示器三相灯亮
3.拉开211开关
4.检查211开关应拉开
5.检查211变压器侧带电显示器三相灯灭
6.合上211-7开关
7.检查211-7开关应合上”。
结合图13所示的操作的生成方法的整体流程图，通过将电力行业知识、标准操作票数据以及设备操作手册进行整合获得成票所需数据，进而依据该成票所需数据对深度学习模型进行训练获得预训练的深度学习模型，当成票调度令输入至该预训练的深度学习模型后能够获得与之匹配的目标操作票。因此，本发明提供的操作票的生成方法，通过将多元知识进行整合获得成票所需数据，进而依据该成票所需数据对深度学习模型进行训练获得预训练的深度学习模型，因此具备很强的语义理解能力，能够理解句子中的语义和上下文信息，并生成连贯的文本。另外，预训练的深度学习模型通过训练能够从大量已有的数据中学习到隐含的逻辑关系，更能适应复杂场景的逻辑分析；且该预训练的深度学习模型还能够准确理解口语化表达；当更多种类的工作计划和操作票出现时，能够自动的通过训练来适应这类型情况，无需人为过多干预。因此，相比于传统的自然语言模型，预训练的深度学习模型更具备更强的通用性，预训练的深度学习模型可以被用于各种不同的自然语言处理任务而无需进行大量修改。
作为本发明的另一实施例，提供一种操作票的生成装置，用于实现前文所述的操作票的生成方法，其中，如图14所示，操作票的生成装置10包括：
接收模块100，用于接收成票调度令；
成票数据获得模块200，用于根据电力行业知识、标准操作票数据以及设备操作票手册获得成票所需数据；
目标操作票生成模块300，用于根据所述成票调度令调用预训练的深度学习模型，并将所述成票调度令输入至所述预训练的深度学习模型以生成目标操作票，所述预训练的深度学习模型能够根据所述成票调度令和所述成票所需数据获得目标操作票；
输出模块400，用于输出所述目标操作票。
本发明提供的操作票的生成装置，通过将电力行业知识、标准操作票数据以及设备操作手册进行整合获得成票所需数据，进而依据该成票所需数据对深度学习模型进行训练获得预训练的深度学习模型，当成票调度令输入至该预训练的深度学习模型后能够获得与之匹配的目标操作票，这种操作票的生成装置能够实现操作票的自动生成，无需认为过多干预，且由于从大量已有数据中学习到相应的逻辑关系，因此能够有效提升生成的操作票的准确性。
关于本发明提供的操作票的生成装置的具体工作原理可以参照前文的操作票的生成方法的描述，此处不再赘述。
作为本发明的另一实施例，提供一种电子设备，其中，包括存储器和处理器，所述存储器和处理器通信连接，所述存储器用于存储计算机指令，所述处理器用于加载并执行所述计算机指令以实现前文所述的操作票的生成方法。
如图15所示，该电子设备80可以包括：至少一个处理器81，例如CPU（CentralProcessing Unit，中央处理器），至少一个通信接口83，存储器84，至少一个通信总线82。其中，通信总线82用于实现这些组件之间的连接通信。其中，通信接口83可以包括显示屏（Display）、键盘（Keyboard），可选通信接口83还可以包括标准的有线接口、无线接口。存储器84可以是高速RAM存储器（Random Access Memory，易挥发性随机存取存储器），也可以是非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。存储器84可选的还可以是至少一个位于远离前述处理器81的存储装置。其中，存储器84中存储应用程序，且处理器81调用存储器84中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线82可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。通信总线82可以分为地址总线、数据总线、控制总线等。为便于表示，图15中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器84可以包括易失性存储器（英文：volatile memory），例如随机存取存储器（英文：random-access memory，缩写：RAM）；存储器也可以包括非易失性存储器（英文：non-volatile memory），例如快闪存储器（英文：flash memory），硬盘（英文：hard diskdrive，缩写：HDD）或固态硬盘（英文：solid-state drive，缩写：SSD）；存储器84还可以包括上述种类的存储器的组合。
其中，处理器81可以是中央处理器（英文：central processing unit，缩写：CPU），网络处理器（英文：network processor，缩写：NP）或者CPU和NP的组合。
其中，处理器81还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路（英文：application-specific integrated circuit，缩写：ASIC），可编程逻辑器件（英文：programmable logic device，缩写：PLD）或其组合。上述PLD可以是复杂可编程逻辑器件（英文：complex programmable logic device，缩写：CPLD），现场可编程逻辑门阵列（英文：field-programmable gate array，缩写：FPGA），通用阵列逻辑（英文：genericarraylogic, 缩写：GAL）或其任意组合。
可选地，存储器84还用于存储程序指令。处理器81可以调用程序指令，实现如本发明图1实施例中所示的操作票的生成方法。
作为本发明的另一实施例，提供一种存储介质，其中，包括计算机指令，所述计算机指令被处理器加载并执行时实现前文所述的操作票的生成方法。
在本发明实施例中，提供了一种非暂态计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的操作票的生成方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-OnlyMemory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（FlashMemory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种操作票的生成方法，其特征在于，包括：
接收成票调度令；
根据电力行业知识、标准操作票数据以及设备操作票手册获得成票所需数据；
根据所述成票调度令调用预训练的深度学习模型，并将所述成票调度令输入至所述预训练的深度学习模型以生成目标操作票，所述预训练的深度学习模型能够根据所述成票调度令和所述成票所需数据获得目标操作票；
输出所述目标操作票。
2.根据权利要求1所述的操作票的生成方法，其特征在于，所述预训练的深度学习模型能够根据所述成票调度令和所述成票所需数据获得目标操作票，包括：
根据所述成票调度令生成初始操作票，所述初始操作票包括当前操作任务的操作目标和目标设备在内的原始操作流程；
将所述初始操作票与所述成票所需数据进行相似度匹配，获得操作票内容；
对所述操作票内容进行优化以及标准化处理，获得目标操作票。
3.根据权利要求2所述的操作票的生成方法，其特征在于，将所述初始操作票与所述成票所需数据进行相似度匹配，获得操作票内容，包括：
将所述初始操作票与成票所需数据进行相似度匹配，以获得目标成票依赖数据；
根据所述目标成票依赖数据生成操作票内容。
4.根据权利要求3所述的操作票的生成方法，其特征在于，将所述初始操作票与向量化后的成票所需数据进行相似度匹配，以获得目标成票依赖数据，包括：
将所述初始操作票进行向量化处理，获得向量化初始操作票；
将向量化初始操作票与成票所需数据进行相似度匹配，获得第一匹配结果；
将所述第一匹配结果与所述成票调度令进行语义相似度匹配，以获得第二匹配结果；
若所述第二匹配结果中存在与所述成票调度令匹配的操作票，则将所述第二匹配结果中的操作票作为目标成票依赖数据。
5.根据权利要求1所述的操作票的生成方法，其特征在于，根据电力行业知识、标准操作票数据以及设备操作票手册获得成票所需数据，包括：
将所述电力行业知识、标准操作票数据和设备操作手册通过嵌入模型进行向量化存储，以获得整合知识库；
对所述整合知识库进行整理获得成票所需数据，所述成票所需数据包括按照预设文本格式整理的成票必要信息，所述预设文本格式包括待操作步骤、待操作设备和待操作设备的操作方法。
6.根据权利要求1至5中任意一项所述的操作票的生成方法，其特征在于，还包括：
根据历史电力操作票和电力专业知识对深度学习模型基于问答形式进行训练，获得预训练的深度学习模型。
7.根据权利要求6所述的操作票的生成方法，其特征在于，根据历史电力操作票和电力专业知识对深度学习模型基于问答形式进行训练，获得预训练的深度学习模型，包括：
根据历史电力操作票生成操作票训练数据，其中所述操作票训练数据包括调度令输入数据和对应的操作票输出数据；
根据电力专业知识基于生成电力专业知识训练数据，其中所述电力专业知识训练数据包括基于电力专业知识内容形成的提问输入数据和对应的专业回复输出数据；
根据所述操作票训练数据和所述电力专业知识训练数据确定深度学习模型的输入数据和输出数据，所述深度学习模型的输入数据为调度令形式，所述深度学习模型的输出数据为操作票形式；
根据深度学习模型的输入数据和输出数据进行训练获得预训练的深度学习模型。
8.根据权利要求7所述的操作票的生成方法，其特征在于，根据电力专业知识基于生成电力专业知识训练数据，包括：
根据电力专业知识文档按照段落划分为多个文档知识段落；
将多个文档知识段落输入至深度学习模型，以使得所述深度学习模型根据预设段落总结提示词对每个文档知识段落的内容进行归纳总结获得对应的提问内容；
当接收到每个文档知识段落和对应的提问内容确认正确的审核通知时，将提问内容作为输入数据以及将对应的文档知识段落作为输出数据进行拼接后形成拼接数据；
将所述拼接数据作为电力专业知识训练数据。
9.一种操作票的生成装置，用于实现权利要求1至8中任意一项所述的操作票的生成方法，其特征在于，所述操作票的生成装置包括：
接收模块，用于接收成票调度令；
成票数据获得模块，用于根据电力行业知识、标准操作票数据以及设备操作票手册获得成票所需数据；
目标操作票生成模块，用于根据所述成票调度令调用预训练的深度学习模型，并将所述成票调度令输入至所述预训练的深度学习模型以生成目标操作票，所述预训练的深度学习模型能够根据所述成票调度令和所述成票所需数据获得目标操作票；
输出模块，用于输出所述目标操作票。
10.一种存储介质，其特征在于，包括计算机指令，所述计算机指令被处理器加载并执行时实现权利要求1至8中任意一项所述的操作票的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311347188.2A CN117408631B (zh) | 2023-10-18 | 2023-10-18 | 操作票的生成方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311347188.2A CN117408631B (zh) | 2023-10-18 | 2023-10-18 | 操作票的生成方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117408631A true CN117408631A (zh) | 2024-01-16 |
| CN117408631B CN117408631B (zh) | 2024-08-02 |
Family
ID=89490138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311347188.2A Active CN117408631B (zh) | 2023-10-18 | 2023-10-18 | 操作票的生成方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117408631B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118095243A (zh) * | 2024-04-29 | 2024-05-28 | 四川金信石信息技术有限公司 | 一种倒闸操作成票智能体构建方法、成票系统及成票方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120066547A1 (en) * | 2010-09-13 | 2012-03-15 | International Business Machines Corporation | Problem Record Signature Generation, Classification and Search in Problem Determination |
| CN110782146A (zh) * | 2019-10-17 | 2020-02-11 | 广西电网有限责任公司贵港供电局 | 基于电网新设备作业调度的调度操作任务成票方法及装置 |
| CN110991188A (zh) * | 2019-09-17 | 2020-04-10 | 国网浙江省电力有限公司杭州供电公司 | 应用于配网调度智能成票系统的成票方法 |
| CN111260338A (zh) * | 2020-02-19 | 2020-06-09 | 云南电网有限责任公司昆明供电局 | 一种变电站操作票智能生成方法、装置及平台 |
| 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 |
| CN113095050A (zh) * | 2021-04-19 | 2021-07-09 | 广东电网有限责任公司 | 一种智能成票方法、系统、设备及存储介质 |
| CN113157885A (zh) * | 2021-04-13 | 2021-07-23 | 华南理工大学 | 一种面向人工智能领域知识的高效智能问答系统 |
| CN113918686A (zh) * | 2021-08-30 | 2022-01-11 | 杭州摸象大数据科技有限公司 | 智能问答模型构建方法、装置、计算机设备及存储介质 |
| CN114139991A (zh) * | 2021-11-30 | 2022-03-04 | 国网四川省电力公司南充供电公司 | 一种具有防误能力的倒闸操作票成票系统及方法 |
| CN114140649A (zh) * | 2021-12-07 | 2022-03-04 | 中国建设银行股份有限公司 | 票据分类方法、票据分类装置、电子设备和存储介质 |
| CN115481964A (zh) * | 2021-06-15 | 2022-12-16 | 珠海优特电力科技股份有限公司 | 智能成票方法及装置 |
| CN115936399A (zh) * | 2023-01-04 | 2023-04-07 | 深圳供电局有限公司 | 操作票生成方法、装置、计算机设备和存储介质 |
| CN116384960A (zh) * | 2022-12-30 | 2023-07-04 | 广东电网有限责任公司 | 一种操作票生成方法、装置、设备及存储介质 |
| CN116542654A (zh) * | 2023-06-05 | 2023-08-04 | 华能新能源股份有限公司河北分公司 | 一种变电站智能开票系统及方法 |
| CN116663519A (zh) * | 2023-06-06 | 2023-08-29 | 广东电网有限责任公司 | 一种自动成票方法、装置、设备及存储介质 |
| WO2023159771A1 (zh) * | 2022-02-25 | 2023-08-31 | 来也科技(北京)有限公司 | 基于rpa和ai的发票处理方法、装置、设备和介质 |
| CN116843284A (zh) * | 2023-06-21 | 2023-10-03 | 珠海优特电力科技股份有限公司 | 配网作业操作票的生成方法、装置和设备 |
-
2023
- 2023-10-18 CN CN202311347188.2A patent/CN117408631B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120066547A1 (en) * | 2010-09-13 | 2012-03-15 | International Business Machines Corporation | Problem Record Signature Generation, Classification and Search in Problem Determination |
| CN110991188A (zh) * | 2019-09-17 | 2020-04-10 | 国网浙江省电力有限公司杭州供电公司 | 应用于配网调度智能成票系统的成票方法 |
| CN110782146A (zh) * | 2019-10-17 | 2020-02-11 | 广西电网有限责任公司贵港供电局 | 基于电网新设备作业调度的调度操作任务成票方法及装置 |
| CN111260338A (zh) * | 2020-02-19 | 2020-06-09 | 云南电网有限责任公司昆明供电局 | 一种变电站操作票智能生成方法、装置及平台 |
| 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 |
| CN113157885A (zh) * | 2021-04-13 | 2021-07-23 | 华南理工大学 | 一种面向人工智能领域知识的高效智能问答系统 |
| CN113095050A (zh) * | 2021-04-19 | 2021-07-09 | 广东电网有限责任公司 | 一种智能成票方法、系统、设备及存储介质 |
| CN115481964A (zh) * | 2021-06-15 | 2022-12-16 | 珠海优特电力科技股份有限公司 | 智能成票方法及装置 |
| CN113918686A (zh) * | 2021-08-30 | 2022-01-11 | 杭州摸象大数据科技有限公司 | 智能问答模型构建方法、装置、计算机设备及存储介质 |
| CN114139991A (zh) * | 2021-11-30 | 2022-03-04 | 国网四川省电力公司南充供电公司 | 一种具有防误能力的倒闸操作票成票系统及方法 |
| CN114140649A (zh) * | 2021-12-07 | 2022-03-04 | 中国建设银行股份有限公司 | 票据分类方法、票据分类装置、电子设备和存储介质 |
| WO2023159771A1 (zh) * | 2022-02-25 | 2023-08-31 | 来也科技(北京)有限公司 | 基于rpa和ai的发票处理方法、装置、设备和介质 |
| CN116384960A (zh) * | 2022-12-30 | 2023-07-04 | 广东电网有限责任公司 | 一种操作票生成方法、装置、设备及存储介质 |
| CN115936399A (zh) * | 2023-01-04 | 2023-04-07 | 深圳供电局有限公司 | 操作票生成方法、装置、计算机设备和存储介质 |
| CN116542654A (zh) * | 2023-06-05 | 2023-08-04 | 华能新能源股份有限公司河北分公司 | 一种变电站智能开票系统及方法 |
| CN116663519A (zh) * | 2023-06-06 | 2023-08-29 | 广东电网有限责任公司 | 一种自动成票方法、装置、设备及存储介质 |
| CN116843284A (zh) * | 2023-06-21 | 2023-10-03 | 珠海优特电力科技股份有限公司 | 配网作业操作票的生成方法、装置和设备 |
Non-Patent Citations (1)
| Title |
|---|
| RAHAL, N: "Entity Extraction and Correction Based on Token Structure Model Generation", 《LECTURE NOTES IN COMPUTER SCIENCE》, vol. 10029, 15 March 2017 (2017-03-15), pages 401 - 411 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118095243A (zh) * | 2024-04-29 | 2024-05-28 | 四川金信石信息技术有限公司 | 一种倒闸操作成票智能体构建方法、成票系统及成票方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117408631B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111026842B (zh) | 自然语言处理方法、自然语言处理装置及智能问答系统 | |
| CN109376353B (zh) | 一种基于自然语言处理的电网启动操作票生成装置及方法 | |
| CN112860872B (zh) | 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 | |
| CN109271504B (zh) | 基于知识图谱的推理对话的方法 | |
| CN117408631B (zh) | 操作票的生成方法、装置及存储介质 | |
| US11016740B2 (en) | Systems and methods for virtual programming by artificial intelligence | |
| US20210406772A1 (en) | Rules-based template extraction | |
| CN113095050A (zh) | 一种智能成票方法、系统、设备及存储介质 | |
| CN117093675A (zh) | 操作票的检索匹配方法、装置及存储介质 | |
| Osman et al. | Generate use case from the requirements written in a natural language using machine learning | |
| CN112988982B (zh) | 一种计算机比较空间的自主学习方法及系统 | |
| CN118132762A (zh) | 多智能体的智能检索引擎、人机交互系统和方法 | |
| CN117851604A (zh) | 一种支持大语言模型技术的建筑工程知识库搭建方法 | |
| CN117473054A (zh) | 基于知识图谱的通用智能问答方法及装置 | |
| CN111782781A (zh) | 一种语义分析方法、装置、计算机设备及存储介质 | |
| CN110931010A (zh) | 语音控制系统 | |
| CN111723580B (zh) | 基于语音识别与图像识别的电力调度厂站信息图效验方法 | |
| CN113010682B (zh) | 一种命令票系统校核方法、设备及存储介质 | |
| CN115599908A (zh) | 非结构化数据文档的标注方法及系统 | |
| CN111538810B (zh) | 数据生成方法、装置、电子设备及存储介质 | |
| CN114168720A (zh) | 一种基于深度学习的自然语言数据查询方法和存储设备 | |
| CN115481964A (zh) | 智能成票方法及装置 | |
| CN109710809B (zh) | 一种基于专家库的scd文件虚端子自动连接方法 | |
| CN112612841A (zh) | 一种知识抽取构建方法、装置、设备及存储介质 | |
| CN109918353A (zh) | 自动化信息处理的方法及终端设备 |
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 |