[发明专利]基于深度神经网络的设备量测数据处理方法、系统及终端

说明书

本发明公开了基于深度神经网络的设备量测数据处理方法、系统及终端，涉及电站设备数据处理技术领域，其技术方案要点是：通过基于双向长短期记忆神经网络和条件随机场建立的识别模型对目标设备量测数据进行实体识别，得到以标签标注后用字符向量和词向量共同表示的短文本序列；将短文本序列扩充后输入卷积神经网络，通过学习短文本中的深度特征得到短文本深层语义，并依据短文本深层语义进行聚类处理后得到聚类设备量测数据；通过预构建的训练模型训练得到历史设备量测数据与标准编码之间的映射关系，并将聚类设备量测数据输入训练模型后结合映射关系得到新量测数据预测编码标签。本发明能够对不同设备进行统一、标准化自动编码处理。

技术领域

本发明涉及电站设备数据处理技术领域，更具体地说，它涉及基于深度神经网络的设备量测数据处理方法、系统及终端。

背景技术

电站安全监测过程中涉及到多种不同类型的传感器设备、运行设备，且各个电站之间管理也存在一定的差异，从而使得数据共享时存在一定的困难。目前，各站的核心基础平台如监控系统、状态监测系统中设备量测数据的定义仅考虑各自系统实现，彼时尚无统一的设备量测数据定义标准。各站工作人员对设备量测数据主观性强，导致文本语言表述简单，包含词汇少，且描述多种多样，相较于PPIS数据规则用词相对不规范，从而导致执行标准和力度不一，各站设备量测数据难以融通。因此，如何研究设计一种基于深度神经网络的设备量测数据处理方法、系统及终端是我们目前急需解决的问题。

发明内容

为解决现有技术中的不足，本发明的目的是提供基于深度神经网络的设备量测数据处理方法、系统及终端。

本发明的上述技术目的是通过以下技术方案得以实现的：

第一方面，提供了基于深度神经网络的设备量测数据处理方法，包括以下步骤：

通过基于双向长短期记忆神经网络和条件随机场建立的识别模型对目标设备量测数据进行实体识别，得到以标签标注后用字符向量和词向量共同表示的短文本序列；

将短文本序列扩充后输入卷积神经网络，通过学习短文本中的深度特征得到短文本深层语义，并依据短文本深层语义进行聚类处理后得到聚类设备量测数据；

通过预构建的训练模型训练得到历史设备量测数据与标准编码之间的映射关系，并将聚类设备量测数据输入训练模型后结合映射关系得到新量测数据预测编码标签。

进一步的，所述识别模型包括输入层、双向长短期记忆网络层、向量表示层、注意力层、条件随机场层；

输入层，用于采用word2vec模型对输入的字符进行预训练后得到字符嵌入序列；

双向长短期记忆网络层，用于将字符嵌入序列作为双向长短期记忆网络各个时间步的输入，并将正向长短期记忆网络输出的状态序列和反向长短期记忆网络在各个位置输出的状态序列进行拼接，得到由字符向量组成的字符向量序列；

向量表示层，用于通过预构建的词典对目标设备量测数据进行分词，并采用cw2vec模型以提取中文笔画n-gram特征的方式对分词得到的词进行预训练，得到由笔画信息的词嵌入向量组成的词向量序列；

注意力层，用于将词嵌入向量与相应的字符向量进行关注计算，并通过注意力机制模型动态决定笔画信息的使用信息量以获得词对预测目标的贡献矩阵，以及将词向量序列、字符向量序列融合得到的输出矩阵与贡献矩阵拼接后得到量测数据序列；

条件随机场层，用于采用条件随机场对量测数据序列进行标注，并以过去的标签和将来的标签来预测当前的标签，得到标签标注后的短文本序列。

进一步的，所述聚类设备量测数据的获得过程具体为：

利用行业标准术语库扩充短文本序列中的短文本数据；