电力设备缺陷描述文本是电力非结构化数据的重要组成,蕴含着丰富的电力设备健康状况信息。因此,根据电力设备缺陷的严重程度对电力设备缺陷描述文本进行快速准确的等级评价划分有助于缺陷的及时消除和检修维护工作的开展,保障电网的安全稳定运行。当前,电力设备缺陷描述由运维人员根据电力设备主要部件和对应现象标准将缺陷描述划分为其他、一般、紧急、重大四个类别,但缺陷情况的复杂多样使运维人员难以准确判定且受到不同运维人员知识经验的影响,缺陷等级判定的准确性和一致性难以得到保障,进而影响电力设备缺陷的及时消除和电网的安全稳定运行。因此,如何实现缺陷描述的准确评价,指导设备检修工作的及时开展,减少因评价不准确造成更大范围的电力系统故障,是当前需要解决的问题。本文拟基于传统机器学习和深度学习两个方向展开研究,针对电力设备缺陷评价中存在判别结果融合难、缺陷描述文本特征提取不足、关键信息缺乏重点关注以及模型准确率有待进一步提高等问题提出基于传统机器学习和深度学习的电力设备缺陷等级评价语义分析模型。主要取得以下研究成果。（1）提出了基于多元优化算法（MOA）和DS证据理论的电力设备缺陷等级确定方法。此方法首先基于训练集建立的词向量表加权得到各缺陷描述的向量表达,同时根据灯色缺陷等级辨识对应权值表将实验数据中的红绿灯信息向量化;然后使用MOA算法寻找向量化训练集数据的最优搜索半径区间;最后使用DS证据理论决策融合测试集在最优搜索半径区间内的50次MOA判别结果。实验结果表明,本文所提方法的判别准确率、召回率和F值均优于传统的k-means模型,证明了此方法在电力设备缺陷等级确定中的有效性和优越性;（2）提出了基于注意力机制优化组合神经网络的电力设备缺陷等级确定方法。该方法首先使用分布式字粒度向量对电力设备缺陷描述进行表示,然后使用由卷积和双向长短时记忆网络组成的卷积循环神经网络对电力设备缺陷描述的局部特征和序列特征进行特征提取,最后采用注意力机制对组合神经网络得到的语义特征进行权重分配,进一步增强关键信息对分类结果的影响。以西南某电网公司2014-2019年间11万条缺陷描述数据作为实验对象,文中所提方法的Acc、MF1值和WF1值分别为0.9275、0.9112和0.9275,验证了本方法在电力设备缺陷等级确定中的可行性和有效性,为电网的智能化运行提供帮助;（3）使用Python设计了电力设备缺陷评价系统,方便电力运维人员对电力设备缺陷描述进行等级确定。