电力文本语料稀缺造成了训练数据的不平衡,使得主流的双向长短期记忆网络和条件随机场方法表现较差.为此引入一个分类模型,将语句分为强弱两类,分别训练优化网络模型.通过在公开语料数据上进行实验,证明了在对电力语料数据进行命名实体识别时,该方法比传统的聚类方法和原双向长短期记忆模型分别高12％和4％.

为支撑电力物联网数据共享,发挥电网数据价值,文章针对当前电力物联网数据平台中存在的技术组件多样、应用难度大、检索数据困难、数据应用门槛高和数据模型管控机制不完善等问题,优化电力物联网数据平台整体框架,提出基于孤立森林的量测类实时数据质量异常检测及改进算法,通过抢修故障研判和停电故障研判2个场景仿真验证数据质量检测算法的可行性,仿真试验结果表明该模型能够有效提升数据质量检测准确率.

目前,在电力设备的日常巡检和试验中,积累了大量关于设备故障情况的记录,缺乏相应的故障处理措施.传统集中式数据处理模型无法支持当前的强大电网系统.针对这一缺陷,文章提出了一种基于热点数据的电网边缘侧设备缺陷智能识别模型,模型分为云中心层、边缘层和现场层.在现场层,使用动态时间规整(Dynamic Time Warping,DTW)补充算法补充传感器数据;采用树突神经元模型(Dendritic Neuron Model,DNM)在边缘层进行故障初等分类,并将分类结果上传至云中心层;在云中心层利用数据之间的相关性实现故障分类.最后在公开数据集上进行设备缺陷识别模型验证,验证了模型的有效性和可行性.