近年来随着电网建设步伐加快,新设备启用增多,运行方式变化频繁,使得稳定限额变化进一步加快。在电网调度过程中,故障发生后对电网的调控,主要以调度员自身调控经验为主,预案性调控则可以参考事前编制的调控预案,但这种调控手段难以满足大电网安全稳定运行需求。本课题以电网调度事故处置预案为研究对象,通过分析大量的事故处置预案,对其文本特点进行总结发现:通过学习和提取出事故处置预案文本中的一些关键性的信息(设备名称和其对应的动作行为),可以为电网的实时调控建立一份指导文件,这样在实时调控就能减少因调度员自身经验限制而造成的错误操作。在自然语言处理的研究中,主要是以自动化的方式处理人类语言。理解和提取文本中有意义的信息是更是自然语言处理的重要任务之一。具体来说,手工将长文本数据总结成简洁的单词或短语是非常耗时的。为了解决这一难题,关键词提取算法应运而生,即给定一个文本文档,关键词提取任务自动识别描述其主要主题的术语。本文首先介绍了对电网调度事故处置预案进行关键信息挖掘的技术研究,其次利用传统的关键词提取算法对事故处置预案进行了处理,通过分析实验评价指标发现,传统的方法在性能方面表现较差。因此,本文提出了利用基于长短时记忆神经网络的序列标注模型对电网调度事故处置预案进行文本挖掘,该模型解决了事故处置预案文本句子切分困难、设备名称及对应操作提取困难的问题。最后,通过实例对基于长短时记忆神经网络的序列标注模型的准确率、召回率和F1评价指标进行了分析,实例分析结果表明,本文所提出的关键词提取技术对事故处置预案的文本挖掘效果具有较高准确性。