一种面向配用电多维业务的异构数据语义提取方法技术

本发明专利技术涉及一种面向配用电多维业务的异构数据语义提取方法，包括以下步骤：步骤1、对配用电多维图片数据进行预处理；步骤2、采用深度学习模型结合人工校正的方式，对步骤1预处理后的配用电多维图片数据进行语义标签提取，构建图像语义标签集；步骤3、基于步骤2所构建的构建图像语义标签集，进行巡检文本数据语义提取，为巡检文本中设备、地点匹配相应的语义标签；步骤4、基于所述步骤3巡检文本数据关键词提取结果，与所述步骤2图片语义标签，利用LCS算法建立文本和图片语义序列，计算序列间的相似度，进行数据匹配校核。本发明专利技术能够提高数据语义提取准确度。数据语义提取准确度。数据语义提取准确度。

【技术实现步骤摘要】
一种面向配用电多维业务的异构数据语义提取方法


[0001]本专利技术属于深度学习算法在电力大数据应用领域，涉及一种异构数据语义提取方法，尤其是一种面向配用电多维业务的异构数据语义提取方法。

技术介绍

[0002]由于配网智能化近年来发展速度快，随着无纸化记录的推进，涌现出大量且组织性差的电力异构数据。其中，图像和文本数据大幅度增长，包括巡检记录等文本数据，巡检机器人摄取的电力设备运行状态、环境状态等图片数据。但是这些数据对于计算机而言是难以理解和使用。同时，配网多维业务领域数据来源广泛、形式多样，其每一种来源或形式都可以看作是一种结构形式，例如图片、数字、文本等。当前的语义提取大多集中于文本等单一结构数据处理，然而，图像等数据的大量涌现，使得对图像数据进行语义提取的需求也更为迫切。
[0003]数据的语义理解让智能体能更深入地感知、理解真实的数据场景，更能进一步对所感知的数据信息进行推理，以更好的支撑电力系统智能感知行业应用。数据语义提取的目标是给定多源异构数据，利用人工或机器学习、深度学习等自动化方式提取出目标语义。人工提取一般采用专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向配用电多维业务的异构数据语义提取方法，其特征在于：包括以下步骤：步骤1、对配用电多维图片数据进行预处理；步骤2、采用深度学习模型结合人工校正的方式，对步骤1预处理后的配用电多维图片数据进行语义标签提取，构建图像语义标签集；步骤3、基于步骤2所构建的构建图像语义标签集，进行巡检文本数据语义提取，为巡检文本中设备、地点匹配相应的语义标签；步骤4、基于所述步骤3巡检文本数据关键词提取结果，与所述步骤2图片语义标签，利用LCS算法建立文本和图片语义序列，计算序列间的相似度，进行数据匹配校核。2.根据权利要求1所述的一种面向配用电多维业务的异构数据语义提取方法，其特征在于：所述步骤1的具体步骤包括：(1)巡检拍摄图片尺寸统一化，将原始图像缩放成指定的图像大小，将图像大小尺寸统一设置为600
×
800；(2)裁剪填充，通过对不同配网业务来源的图像的尺寸大小进行统一化，如果原始图像大于目标图像，则对原始图像进行裁剪操作，如果原始图像小于目标图像，则对图像拉伸过程中产生的空白像素点利用黑色像素进行填充；(3)调整设备图像比例，调整了数据集中部分图像文件的长宽比，函数取值为1，以中心点作为基准，将调整后的图像作为新的图像存储。3.根据权利要求1所述的一种面向配用电多维业务的异构数据语义提取方法，其特征在于：所述步骤2的具体步骤包括：(1)构建采用Encoder
‑
Decoder结构的深度学习模型，首先将步骤1预处理后的配用电多维图片数据输入，进入Encoder部分，经过CNN的空间特性，使用卷积层的feature map，提取出图片n个位置的特征x＝(x1,x2,
…
,x
n
)，其中x是D维向量；(2)设在解码的第t阶段，即生成第t个特征语义时，传入Decoder CNN的上下文向量为z
t
，CNN前一阶段的隐藏层状态为g
t
‑1；这个上下文向量z
t
就是x＝(x1,x2,...,x
n
)的一个加权平均，具体地，z
t
和x＝(x1,x
z
,...,x
n
)的关系可以表达为:其中，α
t,m
是衡量生成第t个特征语义时，第m个位置的图像特征所占的权重；这个权重实际是前一个隐藏层状态g
t
‑1和第m个位置图像特征x
m
的函数；(3)得到特征z
t
作为CNN的输入，经过隐变量生成，输出模型结果y
t
；(4)采用人工干预，校准部分数据，最终得到...

【专利技术属性】
技术研发人员：丁一，张磐，滕飞，庞超，霍现旭，吴磊，戚艳，杨挺，尚学军，陈沛，焦秋良，孙峤，
申请(专利权)人：国网天津市电力公司国家电网有限公司，
类型：发明
国别省市：