基于深度学习的电力实体信息识别方法

• 作者: 蒋晨 王渊 胡俊华 徐积全 陈珉 王雅雯 马国明
• 来源期刊: 电网技术
• 关键词: 深度学习 双向语言编码 电力实体识别 双向长短时记忆 自然语言处理
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 图计算、知识图谱、图机器学习在能源互联网中的应用|Application of Graph Computing, Knowledge Graph, Graph Machine Learning in Energy Internet
• 页码范围: 2141-2149
• 页数: 9页
• 分类号: TM721
• 语种: 中文
• DOI: 10.13335/j.1000-3673.pst.2020.1678

摘要

电力设备在长期运行与维护过程中积累了大量电力文本,文本中含有常见的故障部位、故障现象与故障检修方法,由于电力文本常采用非结构化的形式进行记录,所以电力信息的自动挖掘难以准确实现.提出了一种新的电力实体信息识别方法(PowerBERT+Bi-LSTM+CRF,PBERTBiLC).该方法首先采用预训练方式对通用BERT进行参数初置,形成PowerBERT(电力BERT),再将PowerBERT作为文本的字向量语义编码层,以Bi-LSTM作为字符实体信息标签预测层,CRF作为全局标签优化层,共同构建电力实体信息识别模型,实现了电力文本信息的高准确率识别.对现场560份电力设备故障检修文本进行实体识别,在不同实体信息类别上,基于PBERTBiLC的实体信息识别方法比基于词典和最大后向匹配算法的F1值高15.75％～34.38％;且比目前常用的word2vec+Bi-LSTM+CRF的F1值高2.33％～11.25％.