基于深度学习的电力设备铭牌文本识别

电力设备铭牌包含丰富的设备信息,通过图文识别技术获取设备铭牌信息,可更加高效快捷地完成电力设备的信息统计、台帐校核等工作,也有利于提高电力系统的设备管理水平。针对电力设备铭牌与普通图像文本识别差异较大的特殊应用场景,文中提出一种基于深度学习的电力设备铭牌信息自动识别算法。该算法由铭牌检测、文本检测、文本识别三部分组成。通过改进损失函数设计、增加文本识别结果纠正、人工合成文本图像等方式,使得铭牌检测模型在测试集上的平均精度均值达到92.2%,文本检测模型在测试集上的F₁值达到91.2%,文本识别模型的字符识别准确率达到94.0%,文本行识别准确率达到82.3%。     

电网故障处置知识图谱构建研究与应用

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。     

基于ALBERT的电力变压器运维知识图谱构建方法与应用研究

当前电网数字化转型升级，且电力变压器智能健康管理技术快速发展，而在运维过程中存在信息关联性弱以及决策生成效率低的问题。目前，知识图谱在航天器运维等其他工业领域已有应用，知识查询效率显著提升。电力变压器运维领域鲜有知识图谱构建相关文献，且针对电力变压器运维领域公开数据较少、运维知识难以被有效挖掘的问题，该文提出一种基于ALBERT的电力变压器运维知识图谱构建方法。首先获取电力变压器领域公开文献，并使用正则匹配的样本生成方法对电力系统事故调查报告等半结构化语料进行样本增强，构建电力变压器运维领域的训练数据集；然后应用ALBERT-BiLSTM-CRF深度学习算法从电力变压器相关文献与事故调查报告中抽取了电力变压器运维实体，并将此算法与传统深度学习算法进行对比，验证了此方法的优越性；接着，利用融入了ALBERT和注意力机制的ALBERT-BiLSTM-Attention深度学习算法对电力变压器运维实体进行关系抽取，相较于其他深度学习算法，此算法在电力变压器运维领域文本中具有更好的表现；最后使用Neo4j图数据库对知识图谱进行可视化呈现，并实现了基于电力变压器运维知识图谱的辅助决策功能。     

基于电力设备大数据的预训练语言模型构建和文本语义分析EI北大核心CSCD

在电力设备运维管理过程中,如何运用非结构化文本信息,构造电力设备文本语义分析模型,挖掘非结构化文本信息,提升设备缺陷和故障的诊断速度和准确性,辅助电网运行检修决策,是非常具有应用价值的问题。该文提出基于超大规模预训练方法的电力设备文本语义分析模型(PowerBERT)。该模型基于多头注意力机制,采用多层嵌入语义表达结构,模型总参数超过1.1亿,实现对电力文本内蕴含的信息的理解和分析。基于超过18.62亿字符的电力标准、管理规定及检修记录文本构成的电力专业语料,并采用字符掩码、实体掩码、片段掩码等多种掩码机制和动态加载策略开展模型预训练。针对电力设备文本分析场景,在电力文本实体识别、信息抽取和缺陷诊断场景进行任务场景训练和优化。与传统深度学习算法进行对比实验的结果表明,该文所提方法在基于极少的场景任务样本的情况下,在验证集和测试集上实现召回率和精准度20%~30%的性能提升。     

基于功能缺陷文本的电力系统二次设备智能诊断与辅助决策

利用电力系统二次设备功能缺陷文本数据,建立了基于双向长短时记忆网络与条件随机场(BiLSTM-CRF)模型的文本信息抽取模型.在此基础上,为了进一步将数据中蕴含的知识价值应用到电力系统生产、管理过程中,构建了电力系统二次设备功能缺陷知识图谱,将各类数据间所含语义信息融入各类实体间的关系约束,建立了基于BiLSTM-CRF模型与知识图谱的二次设备功能缺陷智能诊断与辅助决策平台.该平台可依据缺陷设备类型与缺陷现象快速诊断设备的缺陷部位及原因,并推荐合理的解决措施.算例分析结果表明,相较于传统的命名实体识别算法、BiLSTM-softmax以及Seq2Seq-Attention模型,所采用BiLSTM-CRF模型的精确率、召回率、F1值这3项评估指标均有较大提升,所建平台能很好地挖掘、应用电力文本数据知识与价值,为电力系统二次设备功能缺陷处理提供有益参考.     

面向电网调控信息智能检索的知识图谱构建及应用

针对电网调控多维信息缺乏有效地检索手段,提出面向电网调控信息智能检索的知识图谱构建方法,基于深度学习识别调度运行规程关键信息间的语义关系,采用规则转换方法抽取电网模型信息,通过融合对象化的调度运行规程知识和电网模型知识建立调控信息知识图谱,同时提出基于知识图谱的调控信息智能检索应用方案。通过算例验证了所提方法具有较高的识别准确率,能够支撑不同场景下调控信息的智能检索。     

电网故障处置预案文本中的命名实体识别研究

电网故障处置预案是电网故障处置的重要参考,对电网故障处置预案文本中各类电力设备、名称编号等细粒度的关键实体信息进行抽取,是实现计算机学习理解预案内容并进一步支撑故障处置智能化的重要基础。文中提出一种基于深度学习的电网故障处置预案文本命名实体识别技术,首先采用字向量表征预案文本,然后将注意力机制以及双向长短期记忆网络相结合,有所侧重地提取实体词深层字符特征,最后采用条件随机场求解最优序列化的标注。算例表明:文中所提预案文本命名实体识别模型不依赖人工特征,能够自动高效地提取文本特征,准确识别预案文本中细粒度的实体词,满足预案文本中关键实体信息精确定位和识别的要求。     

图像化数据驱动的电力系统暂态稳定性在线评估方法

目前电力系统暂态稳定性评估（TSA）大多采用标准算例生成的数据集,然而实际电网的母线、发电机、线路等电力元件的数量巨大,难以实现评估模型的实时监视和在线更新;而现有降维方法常常遗漏重要信息,导致预测精度下降。提出一种图像化数据驱动的电力系统暂态稳定性在线评估方法,将输入时间序列重新排列成二维图像,利用二维主成分分析法（2D-PCA）对原始图像进行特征降维,并建立卷积神经网络（CNN）模型进行系统稳定性预测。在IEEE-39算例中进行验证,结果表明本文所提基于2D-PCA和CNN的TSA模型在保证预测精度的同时能够大幅提高训练效率,有望推进深度学习在电力系统暂态稳定性在线评估的应用。     

水电工程施工安全隐患文本智能分类与知识挖掘北大核心CSCD

基于隐患排查信息的知识挖掘对于工程安全管理具有重要的支持作用。自然语言处理(natural language processing,NLP)技术是目前实现文本知识挖掘的重要方法,知识挖掘的深度和精度是该类方法的重要衡量指标。为了提升水电工程安全隐患文本知识挖掘效率,本文提出了一种结合文本分类与文本挖掘技术的隐患文本知识挖掘方法。该方法利用RoBERTa-wwm-CNN混合深度学习模型进行隐患文本快速智能分类,在此基础上,通过绘制隐患词云图实现不同种类隐患管理要点的可视化分析,以词共现网络构建为基础,分析隐患数据间的内在联系。将该方法应用于白鹤滩水电站安全隐患文本挖掘分析,与现有较先进的文本分类模型相比,本文所提模型精度有所提升,验证了所提模型的优越性。     

融合多类型深度迁移学习的电力系统暂态稳定自适应评估

针对不同类型人工智能网络应用于电力系统暂态稳定评估时精度和泛化能力不稳定、运行方式或拓扑结构发生较大变化时评估精度下降、重新训练新模型费时费力等问题,提出一种融合多类型深度迁移学习模型（tmDLM）的自适应评估方法,该方法融合了深度置信网络、卷积神经网络以及长短期记忆网络3种不同的深度学习模型。将训练好的各类深度学习模型作为源域模型,当运行方式或拓扑结构发生较大变化时,采用少量目标域样本集微调预训练模型,使其快速跟踪系统当前的运行状态,并得到tmDLM。新英格兰10机39节点系统和华中电网的仿真结果表明：所提方法可以充分发挥各类深度学习方法的优势,具有良好的泛化能力;六分类模型能够在判稳的同时进行稳定裕度/失稳程度等级的评估;经过迁移后的深度学习模型具有良好的评估精度和时效性,大幅缩短了模型更新时间,实现了电力系统暂态稳定的自适应评估。     

基于BERT-DSA-CNN和知识库的电网调控在线告警识别

电网调控告警识别是实现智能电网调度的重要环节.为提高电网调控告警识别的准确率,针对电网数据量庞大、有效信息提取困难、传统知识库知识迁移能力较差等问题,提出一种基于BERT-DSA-CNN和知识库的电网调控在线告警识别方法.首先在自然语言处理-深度学习的文本数据挖掘架构基础上,经过分词、去停用词等步骤,利用BERT模型获...     

基于深度学习和多模型融合的局部放电模式识别方法

局部放电与电力设备的绝缘状态息息相关,准确识别局部放电类型对于保障电网运行具有重要意义。文中提出一种基于深度学习和多模型融合的局部放电模式识别方法。首先,设计并搭建开关柜内4类典型局部放电缺陷模型,采集局部放电相位分布(phase resolved partial discharge,PRPD)图谱并建立样本集;其次,搭建基于迁移学习的深度残差网络,对局部放电缺陷进行识别;最后,利用Sugeno模糊积分将深度残差网络(deep residual net￣work,DRN)模型与传统识别模型进行融合。实验结果表明：迁移学习模型相比于无迁移学习模型有着更好的更新能力和泛化性能;融合模型与单一模型相比具有更高的识别准确率。所提方法能够准确识别局部放电缺陷类型,对于电力设备的运维检修具有一定的参考价值。     

基于ALBERT和RE2融合模型的电网调度意图识别方法

针对电网调度业务意图缺乏有效识别方法的问题,提出一种基于ALBERT(A Lite BERT)和残差向量-字词嵌入向量-编码向量(RE2)融合模型的电网调度意图识别方法。首先,基于ALBERT预训练的动态词向量计算调度专业语言文本特征,建立调度意图分类模型,通过训练调度专业语言构建基于RE2的文本相似度计算模型。然后,采用RE2相似度模型计算召回文本与分类文本的匹配结果对ALBERT意图分类权重进行计算重组,建立融合ALBERT和RE2的意图识别模型。最后,通过某调控中心调度专业语言验证,并与其他方法对比,所提电网调度意图识别方法具有更强的分类能力和泛化能力,对于20种调度意图识别的平均精准率、召回率和F1值分别达到了98.11%、97.96%、98.03%。     

基于时间序列的深度学习光伏发电模型研究

为了减少光伏系统接入电网产生的不利影响,并对预测光伏功率输出进行研究,提出了一种基于数据中潜在季节类别的混合深度学习模型。整个模型分为三个阶段,即聚类、训练和预测。在聚类阶段,采用相关分析和自组织映射来选择历史数据中相关性最高的因素。在训练阶段,将卷积神经网络、长短期记忆神经网络和注意力机制相结合,以构建用于预测的混合深度学习模型。在预测阶段,按测试集的月份选择分类的预测模型。实验结果表明,该实验方法在7.5 min内的间隔预测中具有较高的准确性。     

面向电网调度领域的实体识别技术

近年随着电网调度领域数据自动化、智能化管理需求的日益增长,知识图谱成为提供知识管理、智能查询、辅助决策等功能的重要技术。实体作为构成知识图谱的核心要素,识别的准确率将直接影响知识图谱的质量。针对电网调度领域,首先分析电网调度实体识别研究现状,明确了实体识别任务目标,然后根据电网调度领域文本数据特征,设计了同时满足局部特征与全局特征提取需求的算法结构,构建了基于双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)-卷积神经网络(convolutional neural networks, CNN)-条件随机场(conditional random field,CRF)的电网调度领域实体识别模型。最后实验结果表明,所提方法识别准确率达到93.1%,F₁值达到86.05%,能够有效支撑电网调度领域实体识别工作的开展。     

融合知识库和深度学习的电网监控告警事件智能识别

电网监控告警信息是监控人员进行监控事件识别的重要数据基础。针对当前人为处理海量监控告警信息效率低的现状和电网智能技术深化应用的需求,提出一种融合知识库和深度学习的电网监控告警事件自主识别方法。基于自然语言处理技术中的Word2vec模型对监控告警信息进行向量化建模,基于卷积神经网络建立监控告警事件识别模型,通过算例对比验证所建模型的有效性和实用性。提出融合知识库与所建模型的应用方法,实现电网监控告警事件的智能感知和可靠识别。     

一种轴承故障诊断的多任务深度学习方法

提出一种基于多任务深度学习的故障诊断方法,将故障诊断任务分为故障分类和损伤程度识别。 共享层采用卷积神经 网络提取监测振动信号中蕴含的故障特征信息,两个子任务模块使用门控循环单元从共享层的输出中进一步提取特征,进行故 障分类和损伤程度识别。 在多任务深度学习方法中两个子任务模块可以通过共享层相互影响,提高模型的特征提取能力,获得 更好的故障诊断性能。 在轴承数据集上进行故障诊断实验,同时与故障分类单任务模型和损伤程度识别单任务模型进行对比, 以检验多任务深度学习方法的故障诊断性能,实验结果显示多任务深度学习模型在测试集上两个任务同时正确的准确率为 99. 79%。 为进一步验证多任务深度学习方法的特征提取能力,在测试集中添加不同程度的高斯噪声进行故障诊断实验,在较 强噪声情况下,多任务深度学习模型的准确率明显高于单任务深度学习模型。 研究结果表明,多任务深度学习模型与单任务深 度学习模型相比故障诊断准确率更高,同时抗噪性能更好,具有一定的实用价值。     

基于深度学习的无人机电网巡检缺陷检测研究

由于无人机电网巡检存在检测区域面积小、背景复杂、计算量大等特点,导致深度学习算法的准确率和实时性难以实现。为实现无人机电网巡检的准确、快速识别,分析了各类深度学习算法在复杂环境下对绝缘子的检测效果,提出了一种基于YOLO v3的目标检测算法。首先选用ResNet18作为主干网络结构,然后构建一个多尺度特征金字塔,将其与主干网络进行融合,形成深度融合的电网巡检绝缘子检测模型,可在提高检测准确率的同时,满足实时性的检测要求。实验结果表明,YOLO v3网络的均值平均精度(mAP)达98.10%,相比于Faster R-CNN提高了6.71%;其每秒检测帧数高达47.52帧,分别是R-CNN和Faster R-CNN的25倍和12倍。所提的YOLO v3网络具有更优的识别精度和检测速度。     

基于预训练语言模型的电力领域设备缺陷检测

电力设备缺陷种类繁多,部分缺陷会引发设备故障,及时检测电力设备存在的缺陷是防止发生设备故障的重要手段。设备缺陷检测旨在从文本中识别触发词并且将文本划分对应的设备缺陷类型。针对电力领域缺陷数据集标注不足,以及由于文本中包含大量专业术语造成语义理解难等问题,研究基于深度学习的设备缺陷检测方法,设计电力领域设备缺陷检测预训练语言模型,利用事件三元组知识。文中,构建一个电力设备缺陷检测数据集,在模型进行缺陷检测任务之前,通过事件三元组预训练的方式提高语言模型的表征能力。实验表明,基于现场设备案例数据经过预训练的模型在缺陷检测任务上具有更好的表现效果,可以有效实现对电力领域缺陷报告文本的缺陷检测。