随着经济的发展和人口的增加,人类对能源的需求在不断增长。电力设备作为能源的重要组成部分,承担着满足能源需求的重要责任。电力设备领域涉及到大量的知识和信息,包括设备的分类、性能参数、工作原理、维护保养等。通过建立知识图谱,可以将这些分散的知识进行组织和管理,形成结构化的知识体系,方便用户获取和利用相关知识。本课题对构建电力设备知识图谱以及基于电力设备知识图谱的智能检索应用方法这一具有挑战性的问题进行研究。主要研究内容如下:（1）电力设备命名实体识别模型研究。针对电力设备实体名称中包含许多冗长、罕见且领域专有名词的问题,提出了一种基于字词类多特征融合的中文命名实体识别模型,通过在传统字向量的基础上增加词语和词语类别的特征信息以提升模型的性能。首先,从网络上电力设备相关的文本中整理出电力领域的相关名词词典并在其指导下进行文本分词和词性标注;然后,使用Word2Vec获取字-字向量和词-词向量的对应词典,词类别向量则随机初始化;最后,将三种特征向量串联集成为输入向量输入到Bi LSTM-CRF模型中进行序列标注得到电力设备实体。（2）电力设备实体关系抽取模型研究。针对传统GCN模型在关系抽取任务上无法对句法依赖树中不同依赖类型信息进行有效利用的问题,提出了一种基于注意力图卷积神经网络的电力设备实体关系抽取模型,将句法依赖类型信息向量化为注意力矩阵整合到标准GCN中,在GCN中增加权重以提升模型特征提取性能。首先,对数据集语料处理成句法依赖树并构建为图结构,形成依赖矩阵和依赖类型矩阵;然后,为任意两个单词之间的不同依赖关系分配不同的权重,权重的计算基于连接及其依赖类型,形成注意力矩阵;最后,将注意力矩阵与GCN整合,根据学习的权重预测关系。（3）基于电力设备知识图谱的智能检索方法研究。针对传统的信息检索仅基于字面的机械匹配方法进行检索的问题,使用一种针对自然问句的基于电力设备知识图谱的知识检索方法。首先,使用自顶向下的电力设备本体构建方法,依据上文的实体识别与关系抽取的结果构建电力设备知识图谱并进行存储可视化;之后,在对智能检索的具体问句进行中文分词、问题分类、问句实体识别,分辨出实体或是关系;最后,根据得出的意图进行查询语句构建与具体地知识库检索得到查询结果。综上所述,本课题针对电力设备知识图谱构建的相关技术以及智能检索方法展开研究。首先对电力设备相关文本进行实体识别,然后抽取电力设备实体间的关系,实现电力设备知识图谱的构建,最后基于构建的电力设备知识图谱进行智能检索方法研究,降低电力设备知识的获取难度。