【技术实现步骤摘要】
本专利技术涉及电网故障诊断，尤其涉及一种电力设备故障分类方法、装置、电子设备及介质。
技术介绍
1、随着人工智能的发展和电网规模的不断扩大，描述电力设备故障的缺陷文本快速增长，出现了大量的智能故障诊断方法。对这些数据进行分析和挖掘可以更快地识别设备故障类型，如连接器发热和避雷器损坏，从而减少设备维修所需的时间。
2、配网电力设备缺陷文本是准确预测设备故障成因的重要参考，如何全面的从缺陷文本中挖掘出故障信息属于文本分类的一个重要问题。目前，主流的文本分类算法主要分为三类：基于统计机器学习的分类算法、基于深度学习的分类算法和预训练分类算法。基于机器学习的文本分类包括朴素贝叶斯(nbm)、支持向量机(svm)和随机森林(rf)等算法，能够较好地完成简单的文本分类，但无法学习到文本的语义信息，在语义丰富、数据规模大的分类任务中效果不佳。考虑到电力缺陷文本具有语义复杂的特点，这种分类方式不适合电力设备故障成因挖掘。基于深度学习的文本分类通过构建具有高级抽象的复杂密集神经网络来理解语义信息，其包括文本卷积神经网络(textcnn)、长短...
【技术保护点】
1.一种电力设备故障分类方法，其特征在于，包括：
2.根据权利要求1所述的电力设备故障分类方法，其特征在于，所述第一向量由所述第一文本嵌入语义特征、句特征以及位置特征，并将所述第一文本的嵌入语义特征、句特征以及位置特征相加得到。
3.根据权利要求1所述的电力设备故障分类方法，其特征在于，所述预设的BERT模型包括：输入层、Transformer编码器以及输出层：
4.根据权利要求1所述的电力设备故障分类方法，其特征在于，所述自注意力机制的计算公式为：
5.根据权利要求1所述的电力设备故障分类方法，其特征在于，所述将所述合...
【技术特征摘要】
1.一种电力设备故障分类方法，其特征在于，包括：
2.根据权利要求1所述的电力设备故障分类方法，其特征在于，所述第一向量由所述第一文本嵌入语义特征、句特征以及位置特征，并将所述第一文本的嵌入语义特征、句特征以及位置特征相加得到。
3.根据权利要求1所述的电力设备故障分类方法，其特征在于，所述预设的bert模型包括：输入层、transformer编码器以及输出层：
4.根据权利要求1所述的电力设备故障分类方法，其特征在于，所述自注意力机制的计算公式为：
5.根据权利要求1所述的电力设备故障分类方法，其特征在于，所述将所述合并向量输入到预设的bi-lstm模型中得到全局语...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。