仪器仪表学报

作者：缪希仁，曹喜龙，江灏，陈静，林蔚青

单位：缪希仁,福州大学电气工程与自动化学院福州350108,mxr@fzu.edu.cn,曹喜龙,福州大学电气工程与自动化学院福州350108,,江灏,福州大学电气工程与自动化学院福州350108,,陈静,福州大学电气工程与自动化学院福州350108,,林蔚青,福州大学电气工程与自动化学院福州350108,

关键词：电力变压器缺陷记录;命名实体识别;乱序预训练语言模型;双向门控循环单元;高效全局指针网络;嵌套实体

基金：福建省高校产学合作项目（2023H6006）资助

随着近年来电网规模的不断扩大，海量非结构化的设备缺陷记录被采集与积累。这些数据中蕴涵着对设备状态评估与运维决策至关重要的实体信息。然而，此类数据中普遍存在的实体嵌套结构导致了实体边界模糊性与上下文语义复杂性的提升，对传统的命名实体识别方法构成了显著挑战。为实现对缺陷记录嵌套实体精准识别，以电力变压器为典型设备，提出了一种乱序预训练语言模型（PERT）、双向门控循环单元（BiGRU）与高效全局指针网络（EGP）相结合的电力变压器缺陷记录命名实体识别方法。该方法首先以PERT模型作为向量嵌入层进行动态语义编码，利用其乱序预训练特性深度捕捉文本的上下文依赖关系；随后引入BiGRU网络作为文本编码层，通过双向门控机制，更加全面地进行语义特征提取；最后采用EGP作为解码输出层，聚焦实体跨度与边界，实现对嵌套实体的精准抽取，避免了传统条件随机场（CRF）解码的标记冲突问题。实验结果表明，该实体识别方法能有效应对嵌套实体挑战，其综合F1分数达96.01%，较传统嵌套识别方法双向变换器预训练模型-双仿射注意力（BERT-Biaffine）以及双向变换器预训练模型-机器阅读理解（BERT-MRC）分别高出0.55%和0.70%。在全部5类实体标签识别中均取得了最高的F1分数。特别地，在嵌套现象最显著的缺陷设备与缺陷部位识别上，所提方法的F1分数分别达到100%与94.74%，相较最优基准模型提升了0.57%与0.13%。

来源：2026年第2期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2026年第2期