基于学习排序的计量装置故障严重程度评估方法

现有的电能计量装置状态检测研究通常仅涉及故障的检测,未考虑故障严重程度的区分或排序问题。为解决这一问题,该文提出一种基于学习排序的电能计量装置故障严重程度的评估方法。首先,根据电能计量装置的运行监测数据,设计包含14个分量的特征向量;其次,选择sigmoid函数对特征进行概率和评分的转换;再次,采用RankNet神经网络计量装置故障程度的分级。最后,该文采用国家电网公司某省2020-2021年部分地区电能计量装置运行监测数据进行测试。训练集包含2万组样本。所提方法在测试集上判断正确和错误的样本对数分别为9769和231,准确率达97.69%。此外,对于故障严重程度评分结果前50的故障样本,模型的平均排序偏移量为0.96,说明该文方法对于排序靠前的故障具有很好的排序效果。同时,模型仅需10次左右迭代即可收敛,能有效帮助工作人员提高电能计量装置检修效率。

基于贝叶斯决策树的供电服务质量分析

供电服务是政府所提供的公共事业的一部分。文中将数据挖掘中的决策树算法引入到电网服务的满意度评估中,通过决策逻辑可以快速判断电网服务的质量。利用该方法为江苏某城实际电网建立了满意度评价决策树,并对决策树进行剪枝,减少过拟合。结果表明,该方法能够发现顾客满意程度与电力系统以及客户本身之间的潜在规律,为电网提高服务质量提供新的思路。

基于外部信息和注意力图的事件检测方法

事件检测是构建知识图谱,进行图推理的关键任务之一,也是信息抽取中的一个热点和难点问题。通过自动化方法从非结构化自然语言文本中检测事件,对于语料的智能分析具有重要意义。事件检测在舆情监控和金融分析中有着广泛的应用,可用于公众舆论监督和紧急事件预警。然而,事件检测效果受到语料来源和体裁的限制,大多数用于事件检测的语料库都不能提供足够的信息来解决多义、同义词关联和信息缺乏等问题,导致句子中的触发词不能被准确地提取。针对这些问题,文章提出了一种全新的基于外部信息和注意力图的事件检测模型:Event Detection model based on External information and Attention map(EDEA)o该模型利用语义网络、词性和注意力图来提取完整准确的触发词,并利用外部语料库和语义网络增加词向量中的信息量。通过基于特征图生成注意力图,对提取的特征进行优化,从而更全面、更精确地提取相关的触发点。在ACE2005基准数据集上的实验表明,该模型有效地利用了外部知识进行事件检测,与现有的事件检测方法相比具有显著的优越性。