文献类型：期刊文章

作　　者：郭榕[1] 杨群[1] 刘绍翰[1] 李伟[2,3] 袁鑫[1] 黄香鸿[1]

GUO Rong;YANG Qun;LIU Shaohan;LI Wei;YUAN Xin;HUANG Xianghong(College of Computer Science&Technology,Nanjing University of Aeronautics&Astronautics,Nanjing 211106,Jiangsu Province,China;State Key Laboratory of Smart Gird Protection and Control,Nanjing 211106,Jiangsu Province,China;NARI Group Corporation(State Grid Electric Power Research Institute),Nanjing 211106,Jiangsu Province,China)

机构地区：[1]南京航空航天大学计算机科学与技术学院,江苏省南京市211106 [2]智能电网保护和运行控制国家重点实验室,江苏省南京市211106 [3]南瑞集团(国网电力科学研究院)有限公司,江苏省南京市211106

出　　处：《电网技术》

基　　金：江苏省重点研发计划项目(BE2019012)。

年　　份：2021

卷　　号：45

期　　号：6

起止页码：2092-2100

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：电网故障处置预案对电网事故应急工作的高效、有序进行有着重要的指导意义。利用知识图谱技术对故障处置信息进行知识抽取、表示和管理,并用于辅助调度人员进行故障处置,可有效提升电网应急处理能力与调度智能化水平。以电网故障处置预案文本为研究对象,提出了一种自顶向下和自底向上相结合的电网故障处置知识图谱构建方法,并解决了其中涉及的电力领域知识抽取问题。首先,自顶向下定义知识图谱的知识组织架构、概念类型、概念间关系,形成知识图谱的模式层;之后,针对电网故障处置预案文本的特性,综合使用多种深度学习模型进行知识抽取,自底向上构建知识图谱的数据层:为避免分词错误,使用基于字向量的TextCNN模型对预案文本进行分类;为解决候选词冲突问题,使用LR-CNN模型对电力领域的命名实体进行识别;在命名实体识别的基础上,使用BiGRU-Attention模型对实体间关系进行抽取。之后,通过实验验证了上述知识抽取方法的有效性。最后,对构建的电网故障处置知识图谱进行了可视化并对其在智能信息检索和辅助故障诊断中的应用进行了分析。

关 键 词：电网故障处置  知识图谱 知识抽取 深度学习  

分 类 号：TM721]