基于LSTM循环神经网络的电力故障挖掘研究

正随着电力信息化程度不断加深,电力单位积累了包含海量信息的文本数据。电力故障抢修记录作为重要文本资源,对其进行深入挖掘,有利于合理制定电力检修计划、排查电力故障。研究结果表明,引入外部知识的词向量使深度学习模型拟合得更快,分类准确率也大幅提升。     

基于预训练BERT模型的客服工单自动分类研究

本文介绍了工单文本分类的理论和应用,并对文本分析的分词、机器学习、深度学习等技术方法进行了描述。基于预训练BERT模型提出了95598客服工单自动分类的方法,设计了电力客服工单自动分类的流程,最后通过一个实际的案例对算法模型进行校验,并与传统的文本挖掘方法进行了对比。算例的结果表明,所使用的工单分类算法能显著提高分类的准确性,在分类效率上也较高。     

基于自然语言处理技术的电力客户投诉工单文本挖掘分析

本文主要结合浙江湖州电力业务需求,旨在打破客户对用电诉求存在的盲区,从而提高对用户用电需求的管理程度,实现热点投诉业务工单的原因挖掘。为了更好的深入挖掘投诉工单背后所蕴含的信息,研究基于自然语言处理技术出发,对电力客户投诉工单进行深入文本挖掘,利用隐马尔可夫模型等分词技术分析投诉工单中的受理内容,进行词频统计,通过TF-IDF算法计算关键词重要性权重值,提取权重值大的关键词频作为客户投诉文本挖掘的最终结果,并运用词云分析技术进行分析结果可视化展示;通过文本分类分析,构建文本分类器模型,实现对"热点词频"在不同业务中的分布情况的研究,并根据结果开展相应改进措施。把控住当下电力客户投诉的主要问题,针对性的为不同类型的电力客户提供差异化的服务策略,从而提高客户满意度和忠诚度。专题的推广应用,能够很好的提升客服部门的工作效率,落在实处的为客户解决难题。     

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。     

基于字词融合的高铁道岔多级故障诊断组合模型

为有效提升高速铁路道岔维护效率和故障定位准确率,面向其故障文本数据,提出了一种基于字词融合的高速铁路道岔多级故障诊断组合模型。首先,建立高速铁路道岔专业词库,将文本表示为字向量与词向量并进行深度融合。其次,考虑到故障文本存在类别不均衡问题,采用Borderline-SMOTE算法对不均衡文本数据进行处理,优化故障文本数据分布。接着使用BiLSTM(Bi-directional long short-term memory)-CNN(convolutional neural network)的组合神经网络提取故障文本深度特征,最后通过分类器实现智能故障诊断。采用我国高速铁路道岔故障文本数据进行模型性能验证,结果显示所提模型的一级故障诊断准确率达到95.62%,二级故障诊断准确率达到93.81%,证明多级故障诊断精度可达到理想效果。     

基于文本挖掘的电网检修工作票辅助决策方法研究*

电网检修工作票中蕴含大量有价值的信息,通过历史工作票的检索利用可以有效辅助检修工作票的决策,传统检索方法效率低、工作量大,且无法实现历史工作票的全面有效参考。基于此,提出一种基于文本挖掘的电网检修工作票辅助决策方法。分析并归纳传统工作票检索的局限性及工作票文本的特点;结合电力知识对文本进行预处理,根据表述不规范等问题,提出一种包含主词和辅词的改进双层词袋模型;利用余弦相似度实现检修设备关键信息与历史场景间的多变量相似性匹配,将匹配结果进行降序排列。通过挖掘工作票间隐含的内在联系,实现相似、相关联工作票的识别与提取,为调度员制定工作票提供更精确、全面的决策支持,促进电网向智能化方向发展。基于实际电网算例,表明所提方法的可行性与有效性。     

知识图谱框架下基于深度学习的HVDC系统故障辨识

为加快电力系统数字化转型,保证高压直流输电(high voltage direct current, HVDC)系统高质量安全运行,有必要通过智能技术充分挖掘、提炼HVDC系统日常调控、运维等阶段积累的海量数据和丰富管理经验,从而构建知识图谱辅助工作人员对故障进行诊断和处理。提出了一种基于小波变换和深度学习的HVDC系统故障诊断方法。首先,采用小波变换将换流站的故障录波数据(单相接地、相间短路和阀组短路)转换为二维时频图像,并采用数据增强技术来进一步扩充样本数据集。然后,利用ResNet50网络来实现HVDC系统的故障诊断。根据实验结果,所提方法在训练集的分类精度为93%,在测试集的分类精度为82%,证明了该方法的有效性,为HVDC系统的故障诊断提供了一种新的可行性路线。为了进一步验证所提方法,将其与GoogleNet、VGG16、AlexNet、SVM、决策树和KNN等方法进行对比,对比实验结果表明,所提方法在HVDC系统故障诊断中的表现更加出色。     

混凝土坝施工文档实体知识智能挖掘方法

混凝土坝施工信息多以文档文本的形式呈现,其体量大、分布广、内在关系复杂,人工操作难以准确、高效地提取信息知识内容,理清错综复杂的施工信息关系.在自然语言处理技术中,命名实体是文本信息知识的载体,实现精确快速的实体识别是施工知识挖掘的重要前提.本文提出一种融合深度学习与关联规则技术的混凝土坝施工文档知识智能识别及挖掘分析...     

基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究

为挖掘用户侧节能减排潜力,对用户用电行为进行精细化分析和管理,提升电能利用效率,提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先,针对同一电器常出现功率相近但运行状态不一致问题,利用高斯混合模型聚类算法中“软分类”和类簇灵活的优势,对负荷工作状态进行精细分类,形成负荷用电设备实际运行情况的负荷状态特征库。其次,针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题,提出卷积神经网络与门控循环单元混合的深度神经网络模型。最后,综合考虑外部环境数据对家庭用户用能习惯的影响,在AMPds2数据集上开展验证分析,并与其他模型进行对比。结果表明,所提的非侵入式负荷监测模型具有较高的准确性。     

基于改进LDA的水电工程进度管理文本智能分析

进度控制是水电工程管理的重要任务,及时总结进度管理信息有助于工程进度计划的制定与调整.水电工程建设中的进度信息多以半结构化、非结构化的文本形式呈现,增加了信息提取难度,实现水电工程进度文本信息自动化与智能化挖掘是当前亟待解决的问题.本文提出基于改进LDA的水电工程进度信息智能提取方法,智能提取进度管理文本中的关键信息....     

水电站运维本体知识库构建及应用

针对水电站运行管理中大量多源异构的结构化和非结构化文本资料难以有效管理和复用难题,将基于本体的知识建模引入到水电站运维知识管理和知识服务中,定义了基于本体的知识表示模型并详细构建了水电站设备运维、故障预警、应急预案三大典型业务领域本体知识表示实例和本体知识库,提出本体综合相似度计算方法,并以该算法为基础实现了本体驱动的水电站知识检索、预测预警和应急演练可视化应用。通过实际工程案例展示验证了基于本体的水电站运维知识库构建方法及关键技术的可行和有效性,提升水电站知识管理和应用水平。     

文本信息挖掘技术及其在断路器全寿命状态评价中的应用

电网企业记录了大量故障与缺陷中文文本,这些文本蕴藏了丰富的设备健康信息。但迄今为止,鲜有电力领域的文本信息挖掘技术研究。以断路器全寿命状态评价为应用研究背景,探索了电网中文文本挖掘方法。首先,根据断路器状态评价的研究现状,提出了构建文本挖掘与全寿命状态评价模型的关键问题。然后,构建了包含文本挖掘信息的全寿命状态评价模型,通过基于隐马尔可夫法(HMM)的文本预处理与向量化、自主区间搜索k最近邻(KNN)算法的文本分类和比率型状态信息融合模型完成了断路器全寿命健康状态指数的展示。最后,采用某电网公司实际缺陷文本构建算例。算例表明,文本挖掘技术实现了相似缺陷的相关性学习,比率型信息融合模型能更全面真实地展示健康状态评价的历史流。     

基于数据挖掘的梯级水电站群指令调度优化方法

水电规模急剧扩大和电网调度精细化要求不断提高给水电调度的时效性和结果可用性带来极大挑战。提出一种基于数据挖掘的梯级水电站群指令调度优化方法,采用聚类分析从电站海量日发电数据中提炼出若干关键特性指标并聚类形成调度决策库;以此为基础,采用大系统分解协调方法对不同流域不同电站进行分层求解,并耦合逐步优化算法组合优选水电站群调度出力曲线及其变化幅值,快速得到合理可行的调度决策。澜沧江中下游梯级水电站群实例研究表明,所述方法能够快速获得水电站群发电出力曲线,且符合实际调度要求,是一种切实高效的实用化方法。     

基于高风险模式树挖掘方法的电力系统风险设备集分析

迅速积累的调度控制系统大数据为电网设备风险分析提供了充足的条件,在分析调度控制系统大数据特性的基础上,给出了具有普遍适用性的调度控制系统大数据分析的总体架构,并针对在电网风险管控中的应用,提出一种基于高风险模式树(HRT)的高风险设备集挖掘方法。通过分析电力系统中设备的风险诱发因素,定义了设备风险影响度,用于量化设备发生告警或故障后对电网运行的影响程度,并提出设备风险影响度计算指标体系,通过融合设备故障发生频次,计算设备风险值。以设备风险值为目标进行高风险设备集挖掘,通过构建HRT,保留原始事务数据库中各设备风险值及设备风险先验知识信息,根据HRT的路径信息输出满足一定风险阈值的高风险设备集。以调度控制系统的海量历史告警数据为基础进行了仿真,结果表明,HRT可以在告警数据中迅速挖掘出满足条件的高风险设备集,并且能够反映出高风险设备组合之间存在的潜在关联性。     

基于GloVe模型和注意力机制Bi-LSTM的文本分类方法

为了提高文本分类的准确性,扩展分类任务的多样性,提出一种结合一维卷积神经网络（1D-CNN）和双向长短期记忆网络（Bi-LSTM）的文本分类方法。首先,为了解决近义词、多义词的表征困难,采用GloVe模型表示词特征,充分利用全局信息和共现窗口的优势。然后,利用1D-CNN进行特征提取,以降低分类器或预测模型的输入特征维数。最后,对分类模块Bi-LSTM进行优化,其隐藏层由两个残差块组成,并引入注意力机制进一步改善预测的准确度。在多个公开数据集中进行二元分类和多元主题分类实验。实验结果表明,与其他优秀方法相比,所提方法在准确率、召回率和F1得分方面的性能更优,最高准确度达92.5%,最高F1得分为91.3%。     

基于字符级CNN的调水工程巡检文本智能分类方法

日常安全巡检是维护长距离调水工程安全运行的重要手段.目前巡检采集的非结构化文本数据主要依靠人工进行安全等级评判,在工作效率和准确率方面存在明显不足.本研究基于自然语言处理技术,提出了一种面向字符层面的卷积神经网络的巡检安全文本智能分类方法.该方法通过引入预训练的单个字符向量改进卷积神经网络的输入层,使得分类模型直接从原...     

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...     

基于GIM模型的输电线路通道隐患快速检测

为解决现有输电线路电网信息模型(grid information model, GIM)通道隐患检测方法检测效率低、优化算法存在漏检的问题,提出一种基于等线长点集化和球体包含原理的通道隐患快速检测方法。首先,采用等线长间隔采样方式将导线由空间曲线转化为离散点集,使离散点集在电力线上均匀分布以解决传统等水平间隔采样方式离散点集分布不均匀、特殊档精度较差问题;其次,在地物点到电力线离散点最近距离计算过程中引入球体包含原理对地物点隐患可能进行判断,对不存在隐患可能的地物点跳过邻近点搜索计算,实现通道隐患快速检测。实验表明,该方法在导线点集化方面,对于普通档、特殊档均能保证采样点均匀分布,在线长间隔为10 cm的情况下将最近点的定位误差始终控制在5 cm以内;在检测效率方面,在保证检测精度的前提下将隐患检测耗时优化为传统逐点检测耗时的6.9%,具有较强的实际应用价值。     

多波束测深系统与侧扫声呐在水电站坝前淤积测量中的应用

水电站作为重要的水工建筑物,其在长期水力作用和环境因素下,坝前很容易淤积泥沙、木头等大型垃圾,这对水电站大坝的安全造成了巨大隐患.拟使用多波束测深系统进行水电站坝前淤积的全覆盖三维水下地形图的测量并利用侧扫声呐测量技术印证上述地形图量测结果的合理性.多波束测深系统与侧扫声呐技术生成的三维水下地形图、水下二维影像能够客观...