随着国民经济水平的日益提升,对于电力系统运行的安全性、稳定性、可靠性等提出了更高的要求。各类电力设备在工作过程中可能出现各种缺陷,如果无法及时发现和消除缺陷,将危及系统正常运行。其中,变压器作为输变电系统的关键环节,其健康稳定运行对电力供应至关重要。但是实际运行中的许多变压器,由于运行年限较长,会出现老化、漏油等缺陷,因而需要进行常规巡检。电力设备缺陷记录是由运维人员在巡检过程中对于出现缺陷情况的电力设备的记录和描述,充分挖掘电力设备缺陷记录中的信息,可以对电力设备缺陷进行准确的分类与统计,帮助运维人员定位缺陷部位、判断缺陷类型,并根据已有的缺陷记录参考可以实施的消缺方法,有利于设备缺陷的快速消除,提高电力系统运行的可靠性。同时为电力行业的智能辅助决策研究提供补充。随着电力大数据这一概念的提出和自然语言处理技术的进步,各类结构化数据逐渐得到充分的挖掘,但由于电力缺陷文本是由运维人员手工记录,属于非结构化信息,目前还并未得到充分的利用。对缺陷文本的分类统计工作往往由人工完成,受限于分类人员的知识和经验,分类往往具有主观性,且效率较低。采用智能文本分类方法对缺陷文本进行分类统计,提高了分类的效率,节省了人工出力,还能够提升缺陷分类的准确性。此外,在对缺陷进行分类定级和消缺处理后,将已有的缺陷记录存储进知识图谱数据库,在新增缺陷时,可以在知识图谱数据库中检索历史缺陷记录中的相似情景或同一缺陷部件,从而借鉴已有案例,参考曾经的处理方法做出消缺安排,有助于帮助经验不足的运维人员做出正确判断。同时,知识图谱数据库将知识中的关键信息抽取出来进行展示,可以直观展现某一部件的历史缺陷情况及消缺方法,对于电力工作人员学习和把握电力设备缺陷知识具有重要指导作用。此外,知识图谱数据库还可以对新增缺陷记录进行检错处理,筛出错误或表述不清的缺陷记录,输出规范化表达,有助于电力大数据的规范化管理。因此,本文以电力变压器缺陷文本为研究对象,采用自然语言处理方法对其进行预处理、文本分类和知识图谱实现,实现了缺陷记录的准确分类、可视化以及错误检索,具体工作及成果如下:1.针对电力变压器缺陷文本为非结构化数据这一问题,在分析大量缺陷文本的基础上,运用自然语言处理技术对其进行一系列处理。采用基于隐马尔科夫模型的jieba分词工具对其进行分词、去停用词操作,将大段非结构化文本转化为关键词的形式。然后采用分布式表示对关键词进行向量化处理,将词语训练为计算机可以理解的分布式词向量,并基于Python软件进行了实现。2.由于当前电力缺陷文本分类往往由人工完成,不仅浪费时间和精力,更容易受分类人员主观判断和经验的影响。因此本文构建了缺陷自动分类定级模型,能够准确提取缺陷描述文本全局特征和局部特征,根据文本描述对缺陷进行准确的分类定级。采用南方电网公司2808条电力变压器缺陷记录进行训练与测试,引入了评价指标对分类效果进行计算,证明了分类模型的有效性。3.当前缺陷记录以文字的形式记录在缺陷记录表中,文字记录无法直观的体现缺陷位置的结构情况、对应的缺陷情况以及消缺方法。本文基于Neo4j软件构建了电力变压器缺陷记录知识图谱,将变压器缺陷记录经知识抽取、知识融合、知识加工后,以图数据库的形式存储,既提取了变压器内部结构和部件之间的关联关系,又直观的表现出了各部件实体与缺陷情况之间的对应关系,在某一部件出现缺陷时,可以直接搜索到其数据库中已有的历史缺陷情况描述及对应消缺方法,进而充分挖掘历史信息,为检修人员提供参考。此外,考虑到缺陷记录由手工记录,可能会出现漏记或错记,本文提出了一种图搜索的缺陷记录检错方法,对缺陷实体缺失、缺陷情况缺失等多种错误情况进行过滤,并输出完整准确的规范化表达。