江叶峰，孙少华，仇晨光，王波，戴则梅,4，李杰

(1.国网江苏省电力有限公司，江苏 南京 210024；2.南瑞集团(国网电力科学研究院)有限公司，江苏 南京 211106；3.国电南瑞科技股份有限公司，江苏 南京 211106；4.南瑞集团有限公司智能电网保护和运行控制国家重点实验室，江苏 南京 211106)

0 引言

电网故障处置预案文本广泛应用于指导设备故障后电网状态监测和故障处理。故障发生后，传统处置方式通过人工查阅预案文本，手动处置故障[1—2]，难以满足故障处置的高效性、及时性。随着电网智能化进程的不断推进，电网故障处置机器人[3—4]应能结合调度系统模型“阅读”文本内容，正确理解故障预案文本，实现相关涉事设备的自我调控。而预案文本由调度员人工编写，每条文本质量参差不齐[5]。因此，对文本进行命名实体识别(named entity recognition，NER)，解析预案中关键信息序列，对于提升文本的机器可读性具有重要意义。

近年来，国内外学者针对NER任务展开了大量研究，文献[6—7]通过建立领域词典，提升了领域内文本实体词识别能力。文献[8]采用统计分类方法识别实体词。随着词向量技术的发展，专家学者逐渐将神经网络引入NER任务中，文献[9]采用拓展卷积神经网络对文本序列建模，关注了文本局部知识与全局信息。文献[10]分别利用循环神经网络(recurrent neural network，RNN)以及长短期记忆网络(long short-term memory，LSTM)标注文本，进一步提升了NER效果。在电力领域研究中，针对规范性文本浅层学习，文献[11—12]分别以规范的告警文本、停送电计划为研究对象，参考调度平台数据库匹配关键字符，实现了关键实体词与变量的识别。……