本发明属于信息处理技术领域，尤其是一种基于自然语言处理技术的电力调度语素抽取方法。
背景技术：
自然语言处理是研究人与计算机交互的一门学科。自然语言处理的关键是要让计算机“理解”自然语言，所以自然语言处理又叫做自然语言理解，也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
语音识别是将语音转换为文本的技术，是人工智能三大基础应用技术之一。在电力调度过程中，可以通过人工智能语音识别技术识别调度员之间的通话内容，并触发相对应的命令，让机器更多地替代人的工作，提高调度运行的智能化水平，提高工作效率，消除人为差错，确保电网安全稳定运行。
目前，在自然语言处理技术中的电力调度语素抽取，其采用单一的抽取方法，操作流程复杂，不仅对于调度日志的语义识别，准确率十分低，而且对于场景的对话，准确率也达不到要求，导致在自然语言处理技术中的电力调度语素抽取方向上得不到较大的进步，极大地影响了技术应用。
技术实现要素：
本发明的目的在于克服现有技术的不足，提出一种基于自然语言处理技术的电力调度语素抽取方法，解决了抽取方法单一、操作复杂、准确率低且对于场景对话的准确率达不到要求等问题。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于自然语言处理技术的电力调度语素抽取方法，包括以下步骤：
步骤1、分词模型建立步骤：根据电力调度日志的录音材料建立调度日志音素词典；
步骤2、调度实体抽取及指令抽取步骤：用建立好的调度日志音素词典自动匹配录音转化的文字，生成结构化数据；
步骤3、日志智能分类步骤：根据录音转化的文本，自动匹配相对应的场景，然后转为结构化数据并载入日志；
步骤4、调度日志语义解析步骤：对于故障场景的语音，将语音处理为结构化数据；根据结构化数据的内容，提取故障的语义；根据故障的语义直接匹配故障处理库，找出对应的故障处理步骤。
所述步骤1的具体实现方法为：首先对所有调度日志的声母和韵母的覆盖率进行统计，然后使用结巴分词方法将调度日志的录音材料进行切分，对每个分词进行注音，并标注音标，最后进行编号形成调度日志音素词典。
所述步骤3的具体实现方法为：建立电力调度各个场景的文本库，采用机器学习方法对场景的文本库进行学习，判断该文本所属的场景；利用结巴切词和正则表达式从文本中抽取结构化数据，然后记入日志。
所述文本与场景自动匹配是通过机器学习里面的adaboost元算法和朴素贝叶斯实现的。
本发明的优点和积极效果是：
本发明采用基于自然语言处理技术的电力调度语素抽取方法，通过建立调度日志因素词典、自动匹配场景并采用正则表达式进行语义的识别，对于调度日志的的语义识别，准确率可以达到92％；对于场景的对话，准确率可以达到85％，解决了抽取方法单一、操作复杂流程、准确性低的问题，使得电力调度调节语素抽取更加准确、方便，满足了电力调度语素抽取精度的需要，可广泛用于电力调度应用领域。
具体实施方式
以下结合实施例对本发明做进一步说明。
一种基于自然语言处理技术的电力调度语素抽取方法，包括以下步骤：
步骤1、根据电力调度日志的录音材料建立调度日志音素词典。
在本步骤中，首先对所有调度日志的声母和韵母的覆盖率进行统计，然后使用结巴分词方法将调度日志的录音材料进行切分，对每个分词进行注音，并标注音标，最后进行编号形成调度日志音素词典。
步骤2、用建立好的调度日志音素词典自动匹配录音转化的文字，生成结构化数据。
步骤3、根据录音转化的文本，自动匹配相对应的场景，然后转为结构化数据并载入日志。
在本步骤中，将文本与场景进行自动匹配，比如读一段火山场景的录音，就能识别出这是火山场景。文本与场景自动匹配是通过机器学习里面的adaboost元算法和朴素贝叶斯实现的。在实现过程中，我们需要建立各个场景的文本库，机器学习会对我们建立的场景的文本库进行学习，然后判断新的文本属于哪一个场景；利用结巴切词和正则表达式从文本中抽取结构化数据，然后记入日志，分析文本的语义(比如：电网故障)，然后提供相应的解决步骤，其实现方法是通过机器学习做到的，也是通过adaboost元算法和朴素贝叶斯实现的。
步骤4、调度日志语义解析：对于故障场景的语音，首先将语音处理为结构化数据；然后，根据结构化数据的内容，提取故障的语义，再根据故障的语义直接匹配故障处理库，找出对应的故障处理步骤。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。