典型文献
面向配电网故障处置的知识图谱研究与应用
文献摘要：
知识图谱将配电网现有大量半结构化/非结构化文本数据关联,提高配电网故障处置效率,但配电网多源异构文本数据难以用于深度学习模型训练且电力领域文本数据的标注成本较高.该文采用预训练方法构建深度学习模型对故障处置数据进行命名实体识别,利用知识图谱技术对数据进行知识存储和应用,辅助调控人员进行故障处置决策.首先,以配网设备台账数据、故障处置数据、调度规程数据及配网缺陷库数据为对象,提出配电网故障处置知识图谱的构建框架和方法;然后,针对配电网可用于深度学习训练的数据量不足的问题,采用预训练方法构建了实体识别模型,实现了配电网领域非结构化知识的抽取;接着,设计实验证明了该文所构建模型的有效性,模型的F1值达到86.3％,准确率达到95.16％;最后,利用Neo4j图数据库对知识图谱进行高度可视化管理,并给出配电网故障处置知识图谱的应用流程,有效提高配电网调控人员故障处置决策效率和处置效果.
文献关键词：
配电网;深度学习;故障处置;知识图谱;知识抽取;预训练
中图分类号：
作者姓名：
叶欣智;尚磊;董旭柱;刘承锡;田野;方华亮
作者机构：
武汉大学电气与自动化学院,湖北省武汉市430072;国网辽宁省电力有限公司电力科学研究院,辽宁省沈阳市110006
文献出处：
引用格式：
[1]叶欣智;尚磊;董旭柱;刘承锡;田野;方华亮-.面向配电网故障处置的知识图谱研究与应用)[J].电网技术,2022(10):3739-3748
A类：
B类：
配电网故障,非结构化,结构化文本,文本数据,数据关联,故障处置效率,多源异构,深度学习模型,模型训练,电力领域,预训练,训练方法,命名实体识别,行知,知识存储,辅助调控,配网设备,设备台账,构建框架,学习训练,数据量,识别模型,结构化知识,设计实验,构建模型,Neo4j,图数据库,可视化管理,应用流程,电网调控,决策效率,知识抽取
AB值：
0.271156
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
