Deep Learning Based Knowledge Extraction Method for Text of Power Grid Dispatch and Control

Yu DING; Xuewei SHANG; Weimin MI

doi:10.7500/AEPS20191228004

您当前的位置：

首页 >

文章列表页 >

Deep Learning Based Knowledge Extraction Method for Text of Power Grid Dispatch and Control

Application Research | 更新时间：2025-06-16

- Deep Learning Based Knowledge Extraction Method for Text of Power Grid Dispatch and Control
- Automation of Electric Power Systems Vol. 44, Issue 24, Pages: 161-168(2020)
- 作者机构：
  
  1.南瑞集团有限公司（国网电力科学研究院有限公司），江苏省南京市 211106
  2.北京科东电力控制系统有限责任公司，北京市 100192
- 作者简介：
- 基金信息：
- DOI：10.7500/AEPS20191228004
  CLC：
- Received：28 December 2019，
  
  Revised：2020-09-23，
  
  Published Online：07 November 2020，
  
  Published：25 December 2020
- 稿件说明：
移动端阅览
丁禹,尚学伟,米为民.基于深度学习的电网调控文本知识抽取方法[J].电力系统自动化,2020,44(24):161-168.

DING Yu,SHANG Xuewei,MI Weimin.Deep Learning Based Knowledge Extraction Method for Text of Power Grid Dispatch and Control[J].Automation of Electric Power Systems,2020,44(24):161-168.
丁禹,尚学伟,米为民.基于深度学习的电网调控文本知识抽取方法[J].电力系统自动化,2020,44(24):161-168. DOI： 10.7500/AEPS20191228004.

DING Yu,SHANG Xuewei,MI Weimin.Deep Learning Based Knowledge Extraction Method for Text of Power Grid Dispatch and Control[J].Automation of Electric Power Systems,2020,44(24):161-168. DOI： 10.7500/AEPS20191228004.

摘要

电力系统的发展对电力系统知识的使用提出新的要求，为了实现非结构化电网调控文本知识的自动抽取，文中提出了基于注意力的双向长短期记忆网络和条件随机场的深度学习模型。深度学习模型从调度规程等文本数据中抽取电网运行规则和电网事故处理流程。实验结果表明，提出的模型的语料精度、召回率和F1分数分别为91.00%

89.98%和90.49%，结果略优于另外3种模型。在训练集和测试集上分别进行F1评估，识别精度差异很小，说明模型学习中没有发生过拟合现象，提出的深度学习模型具备良好的泛化能力。

Abstract

The development of power systems has put forward new requirements for the use of power system knowledge. In order to achieve automatic extraction of unstructured text knowledge of power grid dispatch and control

the deep learning model of attention based bidirectional long- and short-term memory networks and conditional random fields is proposed in this paper. The deep learning model extracts grid operation rules and grid accident processing procedures from text data such as dispatching protocols. The experimental results show that the accuracy

recall rate

and F1 score of the proposed model on the corpus are 91.00%

89.98%

and 90.49%

respectively

and the results are slightly better than the other three models. F1 evaluation is performed on the training set and test set

respectively

and the difference in recognition accuracy is small. This shows that no over-fitting occurs during model learning

and the proposed deep learning model has good generalization ability.

关键词

Keywords

references

王适乾 . 电力调度控制系统中语义解析技术研究［D］. 济南：山东大学， 2018 .

WANG Shiqian . Research on semantic parsing technology in power control system ［D］. Jinan ： Shandong University ， 2018 .

陈郑平，米为民，林静怀，等 . 电网调控操作智能助手方案探讨［J］. 电力系统自动化， 2019 ， 43 （ 22 ）： 173 - 178 .

CHEN Zhengping ， MI Weimin ， LIN Jinghuai ， et al . Discussion on intelligence assistant scheme of dispatching and control operation in power grid ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 22 ）： 173 - 178 .

张晓华，冯长有，王永明，等 . 电网调控机器人设计思路［J］. 电力系统自动化， 2019 ， 43 （ 13 ）： 1 - 8 .

ZHANG Xiaohua ， FENG Changyou ， WANG Yongming ， et al . Design ideas of robotic dispatcher for power grid ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 13 ）： 1 - 8 .

闪鑫，陆晓，翟明玉，等 . 人工智能应用于电网调控的关键技术分析［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 49 - 57 .

SHAN Xin ， LU Xiao ， ZHAI Mingyu ， et al . Analysis of key technologies for artificial intelligence applied to power grid dispatch and control ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 49 - 57 .

杜修明，秦佳峰，郭诗瑶，等 . 电力设备典型故障案例的文本挖掘［J］. 高电压技术， 2018 ， 44 （ 4 ）： 1078 - 1084 .

DU Xiuming ， QIN Jiafeng ， GUO Shiyao ， et al . Text mining of typical defects in power equipment ［J］. High Voltage Engineering ， 2018 ， 44 （ 4 ）： 1078 - 1084 .

曹靖，陈陆燊，邱剑，等 . 基于语义框架的电网缺陷文本挖掘技术及其应用［J］. 电网技术， 2017 ， 41 （ 2 ）： 637 - 643 .

CAO Jing ， CHEN Lushen ， QIU Jian ， et al . Semantic framework-based defect text mining technique and application in power grid ［J］. Power System Technology ， 2017 ， 41 （ 2 ）： 637 - 643 .

周念成，廖建权，王强钢，等 . 深度学习在智能电网中的应用现状分析与展望［J］. 电力系统自动化， 2019 ， 43 （ 4 ）： 180 - 191 .

ZHOU Niancheng ， LIAO Jianquan ， WANG Qianggang ， et al . Analysis and prospect of deep learning application in smart grid ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 4 ）： 180 - 191 .

陈忆群，周如旗，朱蔚恒，等 . 挖掘专利知识实现关键词自动抽取［J］. 计算机研究与发展， 2016 ， 53 （ 8 ）： 1740 - 1752 .

CHEN Yiqun ， ZHOU Ruqi ， ZHU Weiheng ， et al . Mining patent knowledge for automatic keyword extraction ［J］. Journal of Computer Research and Development ， 2016 ， 53 （ 8 ）： 1740 - 1752 .

隋臣 . 基于深度学习的中文命名实体识别研究［D］. 杭州：浙江大学， 2017 .

SUI Chen . Research of Chinese named entity recognition based on deep learning ［D］. Hangzhou ： Zhejiang University ， 2017 .

丁琛 . 基于神经网络的实体识别和关系抽取的联合模型研究［D］. 北京：北京邮电大学， 2019 .

DING Chen . Research on joint model of entity recognition and relation extraction based on neural network ［D］. Beijing ： Beijing University of Posts and Telecommunications ， 2019 .

CHEN X ， SHI S ， ZHAN S ， et al . Named entity recognition of Chinese electronic medical records based on cascaded conditional random field ［C］// 2019 IEEE 4th International Conference on Big Data Analytics ， March 15 - 18 ， 2019 ， Suzhou， China： 364 - 368 .

奚雪峰，周国栋 . 面向自然语言处理的深度学习研究［J］. 自动化学报， 2016 ， 42 （ 10 ）： 1445 - 1465 .

XI Xuefeng ， ZHOU Guodong . A survey on deep learning for natural language processing ［J］. Acta Automatica Sinica ， 2016 ， 42 （ 10 ）： 1445 - 1465 .

刘全，翟建伟，章宗长，等 . 深度强化学习综述［J］. 计算机学报， 2018 ， 41 （ 1 ）： 1 - 27 .

LIU Quan ， ZHAI Jianwei ， ZHANG Zongchang ， et al . A survey on deep reinforcement learning ［J］. Chinese Journal of Computers ， 2018 ， 41 （ 1 ）： 1 - 27 .

JIA Y ， XU X . Chinese named entity recognition based on CNN-BiLSTM-CRF ［C］// 2018 IEEE 9th International Conference on Software Engineering and Service Science ， November 23 - 25 ， 2018 ， Beijing， China： 1 - 4 .

李佰蔚 . 基于GRU-CRF的中文命名实体识别方法研究［D］. 哈尔滨：哈尔滨理工大学， 2019 .

LI Baiwei . Research on Chinese named entity recognition method based on GRU-CRF ［D］. Harbin ： Harbin University of Science and Technology ， 2019 .

YANG X ， GAO Z ， LI Y ， et al . Bidirectional LSTM-CRF for biomedical named entity recognition ［C］// 2018 14th International Conference on Natural Computation ， Fuzzy Systems and Knowledge Discovery， July 28 - 30 ， 2018 ， Huangshan， China： 239 - 242 .

WANG Z ， HAN Z ， ZHAO J ， et al . A word similarity feature-based semi-supervised approach for named entity recognition ［C］// 2019 International Conference on System Science and Engineering ， July 20 - 21 ， 2019 ， Dong Hoi， Vietnam： 136 - 141 .

LI W ， SONG W ， JIA X ， et al . Drug specification named entity recognition base on BiLSTM-CRF model ［C］// 2019 IEEE 43rd Annual Computer Software and Applications Conference ， July 15 - 19 ， 2019 ， Milwaukee， USA： 429 - 433 .

单义栋，王衡军，黄河，等 . 基于注意力机制的命名实体识别模型研究—以军事文本为例［J］. 计算机科学， 2019 ， 46 （增刊1 ）： 111 - 114 .

SHAN Yidong ， WANG Hengjun ， HUANG He ， et al . Study on named entity recognition model based on attention mechanism：taking military text as example ［J］. Computer Science ， 2019 ， 46 （ Supplement1 ）： 111 - 114 .

李延昀 . 基于注意力机制的命名实体识别算法研究［D］. 北京：北京邮电大学， 2019 .

LI Yanyun . Research on named entity recognition algorithm based on attention mechanism ［D］. Beijing ： Beijing University of Posts and Telecommunications ， 2019 .

龚锦霞，刘艳敏 . 基于深度确定策略梯度算法的主动配电网协调优化［J］. 电力系统自动化， 2020 ， 44 （ 6 ）： 113 - 125 .

GONG Jinxia ， LIU Yanmin . Coordinated optimization of active distribution network based on deep deterministic policy gradient algorithm ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 6 ）： 113 - 125 .

LIU Y ， HUANGFU W ， ZHANG H ， et al . An efficient stochastic gradient descent algorithm to maximize the coverage of cellular networks ［J］. IEEE Transactions on Wireless Communications ， 2019 ， 18 （ 7 ）： 3424 - 3436 .

LIANG D ， MA F ， LI W . New gradient-weighted adaptive gradient methods with dynamic constraints ［J］. IEEE Access ， 2020 ， 8 （ 8 ）： 110929 - 110942 .

XU D ， XIA Y ， MANDIC D P . Optimization in quaternion dynamic systems： gradient， hessian， and learning algorithms ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2016 ， 27 （ 2 ）： 249 - 261 .

LI F ， ZURADA J M ， LIU Y ， et al . Input layer regularization of multilayer feedforward neural networks ［J］. IEEE Access ， 2017 ， 5 （ 5 ）： 10979 - 10985 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Short-term Load Probabilistic Forecasting Based on Conditional Enhanced Diffusion Model

Ultra-short-term Regional Load Forecasting Based on Spatio-Temporal Graph Attention Network

Electric Vehicle Charging Load Prediction Based on Dynamic Adaptive Graph Neural Network

Interpretable Detection Method for False Data Injection Attack on Power Grid Based on Multi-head Graph Attention Network and Time Convolution Network Model

Interpretable Power Output Prediction of Multiple Wind Turbines for Offshore Wind Farm Based on Multiple Spatio-temporal Attention Graph Neural Network Model

Related Author

LIU Jinxiang

ZHANG Senlin

LIU Meiqin

DONG Shanling

ZHANG Jiangfeng

ZHAO Ziyu

CHEN Yuanrui

CHEN Tingwei

Related Institution

Jinhua Institute of Zhejiang University

Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University

Electric Power Research Institute of State Grid Zhejiang Electric Power Co., Ltd.

College of Electrical Engineering, Zhejiang University

School of Electric Power Engineering, South China University of Technology

⁰