电网故障处置预案区域差异化明显且实体嵌套复杂,仅凭实体类型识别难以准确地将其结构化。提出一种基于通用信息抽取(universal information extraction,UIE)框架的故障处置预案实体和事件识别方法。首先,提出基于句法分析的故障处置预...电网故障处置预案区域差异化明显且实体嵌套复杂,仅凭实体类型识别难以准确地将其结构化。提出一种基于通用信息抽取(universal information extraction,UIE)框架的故障处置预案实体和事件识别方法。首先,提出基于句法分析的故障处置预案实体标记方法,生成故障处置预案标记实体;然后,接入ERNIE 3.0编码及双指针解码模块替代UIE框架中生成式模型,通过调节超参数训练故障处置预案实体与实体标签在高维空间的映射关系及实体嵌套关系;最后,基于句法结构组合嵌套复杂的预案实体得到预案事件。通过不同区域电网调控中心预案验证,与其他算法相比,所提方法对故障处置预案具有较高的实体和事件识别精度,能够准确识别预案中故障处置策略和恢复策略,为故障情况下区域电网弹性提升提供支撑。展开更多
电网故障处置预案是及时、正确处置故障的重要依据。对其关键信息进行抽取,是实现计算机理解预案内容并进一步支撑故障处置智能化的重要基础。传统的信息抽取方法多为模式匹配,其特征和模式的获取需要专家经验,费时、费力且泛化能力较...电网故障处置预案是及时、正确处置故障的重要依据。对其关键信息进行抽取,是实现计算机理解预案内容并进一步支撑故障处置智能化的重要基础。传统的信息抽取方法多为模式匹配,其特征和模式的获取需要专家经验,费时、费力且泛化能力较差。为实现电网故障处置预案文本信息的高效、自动抽取,文章提出一种基于Bert(bidirectional encoder representations from transformer)模型的序列标注方法。具体如下:(1)提出一种针对处置预案文本特点的数据预处理方法,该方法将句子分为不同的类别;(2)基于Bert模型自动学习和获取文本特征,并使用标注数据微调模型的方法进行信息抽取;(3)对使用上述分类方法处理过的预案文本,提出一种对每个类别分别进行模型训练并获得序列标注结果的方法。多组对比实验结果表明,该方法可以有效提升信息抽取的准确率。展开更多
文摘电网故障处置预案区域差异化明显且实体嵌套复杂,仅凭实体类型识别难以准确地将其结构化。提出一种基于通用信息抽取(universal information extraction,UIE)框架的故障处置预案实体和事件识别方法。首先,提出基于句法分析的故障处置预案实体标记方法,生成故障处置预案标记实体;然后,接入ERNIE 3.0编码及双指针解码模块替代UIE框架中生成式模型,通过调节超参数训练故障处置预案实体与实体标签在高维空间的映射关系及实体嵌套关系;最后,基于句法结构组合嵌套复杂的预案实体得到预案事件。通过不同区域电网调控中心预案验证,与其他算法相比,所提方法对故障处置预案具有较高的实体和事件识别精度,能够准确识别预案中故障处置策略和恢复策略,为故障情况下区域电网弹性提升提供支撑。
文摘电网故障处置预案是及时、正确处置故障的重要依据。对其关键信息进行抽取,是实现计算机理解预案内容并进一步支撑故障处置智能化的重要基础。传统的信息抽取方法多为模式匹配,其特征和模式的获取需要专家经验,费时、费力且泛化能力较差。为实现电网故障处置预案文本信息的高效、自动抽取,文章提出一种基于Bert(bidirectional encoder representations from transformer)模型的序列标注方法。具体如下:(1)提出一种针对处置预案文本特点的数据预处理方法,该方法将句子分为不同的类别;(2)基于Bert模型自动学习和获取文本特征,并使用标注数据微调模型的方法进行信息抽取;(3)对使用上述分类方法处理过的预案文本,提出一种对每个类别分别进行模型训练并获得序列标注结果的方法。多组对比实验结果表明,该方法可以有效提升信息抽取的准确率。