[发明专利]一种面向智能运维的电力变压器知识图谱构建方法

说明书

本发明提供了一种面向智能运维的电力变压器知识图谱构建方法，包括以下步骤：获取电力变压器语料信息并对所述电力变压器语料信息进行预处理；基于BiLSTM‑CRF深度学习算法从预处理后的所述电力变压器语料信息中抽取电力变压器运维实体；采用融合Albert预训练模型的Albert‑BiLSTM‑Attention算法抽取所述电力变压器运维实体之间的关系，获得变压器运维实体三元组；利用Neo4j图数据库进行所述变压器运维实体三元组的存储以及可视化展示，实现了电力变压器运维知识图谱的构建。本发明尝试将知识图谱首次应用于电力变压器智能运维领域，且应用深度学习算法可解决知识图谱构建效率较低的问题。

技术领域

本发明涉及知识图谱构建技术领域，具体涉及一种面向智能运维的电力变压器知识图谱构建方法。

背景技术

当前变压器运维主要依赖传统经验，导致运维措施可解释性较弱，且运维人员对故障变化反应较慢，无法及时对故障进行快速准确处理。同时变压器故障时常发生，电力变压器结构复杂，不同类型的变压器运维方式存在差异，变压器运维对运维人员技术能力要求较高，难度较大。电力系统积累了大量的故障处理案例，主要为结构化与半结构化的文本，如何从海量的数据中快速、准确地提取出有价值的信息，使用数据驱动的方式进行变压器智能运维，是目前电力领域迫切需要解决的问题。

知识图谱的概念在2012年由谷歌正式提出，其本质上是实体关系的语义网络，目前被用来泛指大规模的数据库。目前在其他领域智能决策、设备运维中知识图谱的研究开展较早，应用较为广泛。当前，在电力系统设备运维领域鲜有知识图谱参与，故将知识图谱与电力变压器智能运维相结合具有较为广阔的应用前景与使用价值。

目前，知识图谱的实体抽取方法主要有基于模板和词典、基于传统机器学习和基于深度学习等方法。知识图谱关系抽取旨在抽取句子中已经识别的实体之间的实体类别，关系抽取的结果多使用三元组实体1，实体关系，实体2的形式来进行存储。知识图谱的构建在其他领域中已经有了一定的研究进展，在电力领域尚属起步阶段。

当前，电力领域知识抽取技术多使用基于规则匹配以及传统的机器学习方法，灵活度较低，难以处理海量的、快速变化的电力领域运维数据。深度学习在自然语言处理(NLP)领域中的迅速发展，使得命名实体识别、关系抽取等任务处理的效率显著提升，故可将深度学习算法与知识图谱构建紧密结合，应用于电力变压器运维领域。目前研究的基于条件随机场(CRF)模型和双向长短期记忆网络(BiLSTM)模型对电力实体抽取的效果，得出条件随机场模型能够更好的识别电力领域实体的结论，但此技术并未对电力领域知识图谱的构建方法做出进一步研究。

发明内容

为解决上述问题，本发明提出了一种面向智能运维的电力变压器知识图谱构建方法，尝试将知识图谱首次应用于电力变压器智能运维领域，且应用深度学习算法可解决知识图谱构建效率较低的问题。

为实现上述目的，本发明提供了一种面向智能运维的电力变压器知识图谱构建方法，包括以下步骤：

获取电力变压器语料信息并对所述电力变压器语料信息进行预处理；

基于BiLSTM-CRF深度学习算法从预处理后的所述电力变压器语料信息中抽取电力变压器运维实体；

采用融合Albert预训练模型的Albert-BiLSTM-Attention算法抽取所述电力变压器运维实体之间的关系，获得变压器运维实体三元组；

利用Neo4j图数据库进行所述变压器运维实体三元组的存储以及可视化展示，实现了电力变压器运维知识图谱的构建。

优选的，所述电力变压器语料信息包括：变压器运维非结构化文本和变压器运维半结构化文本；其中，所述变压器运维非结构化文本包括：变压器运维文献和互联网爬取文档；所述变压器运维半结构化文本包括：变压器事故处理报告和变压器异常分析报告。

优选的，对所述电力变压器语料信息进行预处理的方法包括：