[发明专利]一种电力知识抽取方法、系统、装置及存储介质

说明书

本发明公开了一种电力知识抽取方法、系统、装置及从存储介质，电力知识抽取方法包括步骤：获取电力数据；将所述电力数据输入预设的电力知识抽取模型中进行知识抽取；所述电力知识抽取模型输出电力数据的分类结果。电力知识抽取模型包括：输入层、嵌入层、循环神经网络特征提取层、卷积神经网络特征提取层、多层注意力机制过滤层和输出层。本发明基于多层注意力机制的神经网络结构，能够更好解决之前电力知识抽取算法的短板，能够同时对于知识实体局部特征和序列特征的提取，从而达到抽取更加有用的电力信息，从而达到输出结果更优质，提取信息更有用，占用存储空间更小的目标。

技术领域

本发明属于电力数据处理领域，具体涉及一种电力知识抽取方法、系统、装置及存储介质。

背景技术

随着大数据相关技术的发展，电力系统每天会产生大量的数据，但是这些大量的电力数据却尚未得到充分的利用，如何利用深度学习的技术对电力知识进行充分的挖掘和管理是非常重要且具有高度价值的事情。电力知识的抽取方法研究其对于构建电力系统构建大规模知识图谱是非常关键的一项技术，电力知识抽取就是从历史产生的海量电力系统相关数据中提取得到电力知识三元组，并利用图神经网络技术构建电力系统知识图谱，以方便对于大量电力数据的管理和使用。知识图谱是由谷歌正式提出的概念，重点在于提高搜索引擎的智能化和效率，知识图谱实际上是一个语义网络，语义网络就是用节点表示实体或属性，边表示实体之间、实体与属性之间的各种语义关系。其中，实体是指客观存在于现实世界中且可区分的物体或事物；属性是描述实体特征的信息，如面积和长度等，关系是知识图谱最重要的特征，据此才能实现万事万物的互联，从而支持各种应用，如语义理解和信息检索等.所谓知识抽取，就是提取来自不同来源、不同结构的数据，形成知识最终存到知识图谱的过程。

构建知识图谱的关键技术包括知识抽取，也即从不同结构，不同来源，不同种类数据抽取其中的关键数据，形成知识最终存储到知识图谱的过程。目前的知识抽取方法包括基于统计机器学习的方法、基于自然语言处理的方法和基于深度学习的方法。单纯使用深度学习中的卷积神经网络和循环神经网络处理电力数据中学习特征不够充分。

发明内容

本发明针对上述方法中单纯使用深度学习中的卷积神经网络和循环神经网络处理电力数据中学习特征不够充分的问题，提出了一种电力知识抽取方法、系统、装置及存储介质，基于深度学习和注意力机制，能够抽取更加有用的电力信息，为构建更加完备的电力知识图谱结构打下坚实基础。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一方面，提供了一种基于多层注意力机制的电力知识抽取方法，包括步骤：

获取电力数据；

将所述电力数据输入预设的电力知识抽取模型中进行知识抽取；

所述电力知识抽取模型输出电力数据的分类结果。

可选的，所述电力数据包括：生产运行数据和运营管理数据；其中，所述生产运行数据包括发电量、电压稳定性、设备状态，可通过传感器、智能设备、视频监控设备、音频通信设备、移动终端设备采集，具有时效性高、海量存储等特征。

所述运营管理数据包括人员、财务、物资、项目、营销、客户服务等方面的数据，是企业经营管理活动中产生的大量业务信息，反应电网企业的运营管理水平。

可选的，所述电力知识抽取模型包括：输入层、嵌入层、循环神经网络特征提取层、卷积神经网络特征提取层、多层注意力机制过滤层和输出层，其中：

所述输入层用于输入电力数据到电力知识抽取模型中；

所述嵌入层用于对输入层输入的电力数据处理得到词向量，将词向量作为循环神经网络特征提取模型的输入层；