随着特高压电网和新能源的快速发展,变电站一次设备故障处理任务要求工作人员具备更高的业务能力。但目前该任务主要依赖员工的知识储备和长期经验积累,需要反复记忆和查询大量文本形式的知识。由于缺乏高效精准的电力领域知识抽取、组织与管理技术,存在故障处置的精准性和规范性难以得到保证的问题。针对该问题,提出了变电站一次设备故障知识图谱构建方法。该方法以一次设备故障处理相关资料为研究对象,通过自然语言处理、深度学习等技术对故障语料中蕴含的实体及关系进行识别与抽取,进而构建变电站一次设备故障知识图谱。该图谱包含了一次设备拓扑关系、设备故障数据、故障处理方法等信息,通过对这些信息的整合和归纳,可为工程师提供全面准确的故障诊断和处理方案。该研究面向三个问题:（1）如何从非结构化的一次设备故障文本中提取专业词汇,并构建包含嵌入信息的领域词典?（2）如何从一次设备故障文本中自动准确地识别电力实体片段及类型,以将其作为知识图谱的节点?（3）如何对实体间的关系进行抽取,并构建变电站一次设备故障知识图谱?针对这三个问题,开展了以下三个研究内容:（1）对一次设备故障语料进行文本清洗后,利用N-Gram模型、信息熵和互信息对专业词汇进行挖掘,并利用词嵌入模型训练得到领域嵌入词典;（2）根据实体识别思想提出BERT-FLAT-CRF模型,通过结合领域嵌入词典信息和引入相对位置编码,实现对一次设备故障文本中实体及类型的识别。（3）在完成实体识别任务的基础上,提出基于BiLSTM-ATT的故障知识图谱构建方法,实现变电站一次设备故障知识图谱的构建。采用一次设备故障维修手册、故障排除问答等相关语料为实验数据,对整体研究方法进行有效性验证。在构建一次设备领域嵌入词典后,利用BERT-FLAT-CRF模型结合词典信息对实体进行识别,并开展对比实验。实验结果表明,该模型对于一次设备故障语料中的实体识别效果最优,精确率、召回率和F1值分别达到了86.2%、81.11%和83.58%。然后,利用BiLSTM-ATT模型对实体间关系进行抽取,并与其他三种模型进行对比实验。实验结果显示,该模型在一次设备领域语料的关系抽取任务中,各项指标均优于其他模型。因此,该模型能够自动准确地提取实体之间的关系,从而构建变电站一次设备故障知识图谱。