(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210431751.3 (22)申请日 2022.04.22 (71)申请人 杭州鸿晟电力设计咨询有限公司 地址 310000 浙江省杭州市余杭区良渚街 道古墩路1899号A1幢6楼6 30室 (72)发明人 王力坚　许伟　沈增祥　余健优　 (74)专利代理 机构 杭州信与义专利代理有限公 司 33450 专利代理师 丁浩 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/35(2019.01) G06F 16/583(2019.01) G06F 40/211(2020.01) G06F 40/289(2020.01)G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/04(2006.01) G06Q 50/06(2012.01) (54)发明名称 基于VCWE-ESIM模型的电力调度故障匹配方 法 (57)摘要 本发明公开了一种基于V CWE‑ESIM模型的电 力调度故障匹配方法， 步骤包 括： S1， 将记录电力 调度故障现象的故障现象文本和作为故障处理 依据的故障预案文本分别对应转换为融合了汉 字语义信息的第一句向量和第二句向量； S2， 根 据第一句向量和第二句向量， 计算对故障现象文 本与故障预案文本的局部推理增强结果； S3， 根 据局部推理增强结果从故障预案文本中匹配出 参与文本匹配的故障现象对应的故障预案。 本申 请利用VCWE‑ESIM模型对故障现象文本和故障预 案文本进行匹配时， 加入了汉字的视觉特征， 并 通过文本间相关性的局部和全局推理， 实现了对 文本间相关性信息的有效提取， 能够快速且准确 地匹配出故障现象对应的故障预案 。 权利要求书4页 说明书11页 附图5页 CN 114780683 A 2022.07.22 CN 114780683 A 1.一种基于VCWE ‑ESIM模型的电力调度故障匹配方法， 其特 征在于， 包括： 步骤S1， 将记录电力调度故障现象的故障现象文本和作为故障处理依据的故障预案文 本分别对应转换为融合了汉字语义信息的第一句向量和第二句向量； 步骤S2， 根据所述第一句向量和所述第二句向量， 计算对所述故障现象文本与所述故 障预案文本的局部推理增强结果； 步骤S3， 根据 所述局部推理增强结果从所述故障预案文本 中匹配出参与文本匹配的故 障现象对应的故障预案 。 2.根据权利要求1所述的基于VCWE ‑ESIM模型的电力调度故障匹配方法， 其特征在于， 步骤S1中所述的句向量 转换方法包括： 步骤S11， 对所述故障现象文本和所述故障预案文本进行分词， 分别得到第一分词结果 和第二分词结果； 步骤S12， 将所述第一分词结果和所述第二分词结果输入到预先训练的VCWE模型中， 得 到所述第一分词结果和所述第二分词结果中的每 个拆得的词对应的词向量和上 下文； 步骤S13， 将所述VCWE模型输出的关联所述故障现象文本的所有所述词向量与对应的 所述上下文进 行拼接得到所述第一句向量， 将所述VCWE模 型输出的关联所述 故障预案文本 的所述词向量与对应的所述上 下文进行拼接得到所述第二句向量； 所述VCWE模型包括依序连接的CNN层、 BiLSTM层和Skip ‑Gram层， 所述VCWE模型识别输 出词向量和上 下文的方法包括： 步骤S121， 将所述第一分词结果和所述第二分词结果中的每个词中的每个汉字转换为 图像后输入到所述CNN层中以提取每个汉字图像的视觉特征， 包括笔画特征以及汉字部首 与笔画的组合特 征； 步骤S122， 使用所述BiLSTM层融合组成词的各所述汉字图像的视觉特征信息， 得到融 合每个汉字语义的词向量； 步骤S123， 所述Skip ‑Gram层以步骤S122得到的各所述词向量为输入， 输出每个所述词 向量的上 下文； 步骤S13中， 将步骤S122中所述BiLSTM层输出的所述词向量与步骤S123中所述Skip ‑ Gram层针对同个所述词向量输出 的所述上下文按词在电力文本中的顺序拼接起来得到对 应的所述第一句向量或所述第二句向量。 3.根据权利要求2所述的基于VCWE ‑ESIM模型的电力调度故障匹配方法， 其特征在于， 所述CNN层 包括依序连接的第一卷积层、 第一归一化层、 第一最大池化层、 第二卷积层、 第二 归一化层、 第二 最大池化层、 线性层、 第三归一 化层和RELU激活函数。 所述第一卷积层使用32个尺寸为3 ×3的卷积核进行卷积， 用于捕获所述汉字图像的笔 画级特征信息； 所述第一归一化层用于加快网络的训练和收敛 的速度、 控制梯度爆炸防止 梯度消失并防止过拟合； 所述第一最大池化层使用2 ×2的网络， 所述第一最大池化层可以 有效的缩小参数矩阵的尺寸， 从而减少最后连接层的中的参数数量； 所述第二卷积层使用 32个3×3的卷积核进行卷积， 用于以所述第一最大池化层的输出为输入， 进一步提取所述 汉字图像的汉字部首与笔画的组合特征； 所述第二归一化层用于加快网络的训练和收敛的 速度、 控制梯度爆 炸防止梯度消失并防止过拟合； 所述第二最大池化层 使用2×2的网络， 所 述第二最大池化层可以有效的缩小参数矩阵的尺寸， 从而减少最后连接层的中的参数数权　利　要　求　书 1/4 页 2 CN 114780683 A 2量； 所述线性层以所述第二最大池化层的输出为输入， 用于实现对前一层所述第二最大池 化层的输出进 行线性组合、 线性变换； 所述第三归一化层以所述线性层的输出为输入， 用于 加快网络的训练和收敛的速度、 控制梯度爆炸防止梯度消失并防止过拟合； 所述RELU激活 函数为了解决梯度消失问题。 4.根据权利 要求1任意一项所述的基于VCWE ‑ESIM模型的电力调度故障匹配方法， 其特 征在于， 步骤S2中， 计算所述局部推理增强结果的方法包括： 步骤S21， 将记为a的所述第一句向量和记为b的所述第二句向量输入到预先训练的第 一BiLSTM模型中， 模 型对a输出融合了a中词向量间相关性特征的句向量 对b输出融合了b 中词向量间相关性特 征的句向量 步骤S22， 计算所述句向量 和所述句向量 中的每个词向量间的相关性； 步骤S23， 根据步骤S22中计算的词向量间的相 关性， 计算所述故障现象文本与所述故 障预案文本间相关性的局部推理结果； 步骤S24， 根据步骤S21中的所述第一BiLSTM模型输出 的所述句向量 所述句向量 以 及步骤S23中计算得到的所述局部推理结果， 计算得到所述局部推理增强结果。 5.根据权利要求4所述的基于VCWE ‑ESIM模型的电力调度故障匹配方法， 其特征在于， 步骤S22中， 通过以下公式(1)计算所述句向量 和所述句向量 中的每个词向量间的相关 性： 公式(1)中， 表示所述句向量 中的第i个词向量的转置； 表示所述句向量 中的第j个词向量； eij表示所述句向量 中的第i个词向量与所述句向量 中的第j个词向量之间的相关性。 6.根据权利要求4所述的基于VCWE ‑ESIM模型的电力调度故障匹配方法， 其特征在于， 步骤S23中， 通过以下公式(2)和公式(3)计算所述局部推理结果： 公式(2)中， lb表示所述句向量 中的词向量的数量； eik表示所述句向量 中的第i个词向量与所述句向量 中的第k个词向量之间的相关性； eij表示所述句向量 中的第j个词向量与所述句向量 中的第i个词向量之间的相关性； 表示所述句向量 中的第j个词向量； 表示所述句向量 中的第i个词向量与所述句向量 间相关性的局部推理结果； 公式(3)中， la表示所述句向量 中的词向量的数量； emj表示句向量 中的第j个词向量与所述句向量 中的第m个词向量之间的相关性； eij表示所述句向量 中的第j个词向量与所述句向量 中的第i个词向量之间的相关性；权　利　要　求　书 2/4 页 3 CN 114780683 A 3