电力人工智能作为电力系统与人工智能融合形成的专用人工智能,是支撑新一代电力系统的重要手段。自然语言处理是电力人工智能领域中重要的一部分,其发展方向之一是构建调控、运检等电力领域知识图谱,形成新一代电力智能问答系统。随着知识图谱在各领域的广泛应用,基于知识图谱的问答成为了一个重要的研究领域。因此,构建以电力知识图谱为基础的智能问答系统意义重大,将其应用于电力客服、故障诊断等应用中,可以使人工智能真正与电力行业相融合,为人们提供便利。传统电力知识图谱问答方法存在诸多问题:传统模板匹配方法不灵活,过于依赖模板;传统语义相似度方法,对长问句进行相似度匹配时误差较大;传统信息检索方法,准确度不够,且缺乏可解释性;同时,传统方法均利用深度学习提高性能,而数据依赖是此类方法存在的问题。针对传统方法存在的问题,论文设计了一种电力知识图谱问答算法,在充分利用传统方法各自优势的同时,通过有效结合,交叉互补,弥补各传统方法单独使用时的不足。针对论文提出的电力知识图谱问答算法中,关系提取、电力分词以及头实体检测三项关键子任务,设计了两个算法及三个模型以解决对应任务。首先,设计了一次性对问句文本的局部特征、全局特征以及重要性特征进行编码的 Transformer Encoder-BiLSTM-CNN Net（TEBC-Net）算法。在关系提取及头实体检测任务中设计并使用基于TEBC-Net算法的关系提取模型及头实体检测模型。其次,设计了 Number optimization Transformer encoder-BiLSTM-CRF net（NTBC-net）算法,该算法在TEBC-Net算法对三大特征进行编码的基础上,针对电力文本中数字信息十分重要这一特征,设计了数字上下文强化编码算法对数字信息进行强化编码。在电力分词任务中设计并使用基于NTBC-net算法的电力分词模型。通过实验验证了在关系提取、电力分词以及头实体检测任务中,论文设计的基于两个核心算法的三大模型在各自任务评价指标上的表现都强于相应对比模型。同时,在设计模型时,将迁移学习引入模型设计,对数据进行预处理,解决了训练数据不足,深度学习对大数据的依赖问题。综上,论文通过对关系提取、电力分词及头实体检测三个关键子任务上性能的提升,进而提升论文设计的电力知识图谱问答算法的整体性能。