随着社会经济的不断进步,对电气设备的工作要求越来越高。电力系统作为当今能源产业的重要组成部分,在生产过程中产生了海量的故障文本数据。如何有效处理电力系统中积累的大量中文文本故障数据,对电气设备监测数据领域的研究具有重要意义。目前,电力系统故障文本大多使用单一模型进行分类,且精确度有待进一步提高。针对这一情况,构建多种文本分类模型并比较分析,有利于提高电力设备故障文本分类的准确性。电力设备故障文本在分类之前需要专业人士进行人工筛选,传统的机器学习模型需要对筛选后的数据做特征提取、空间向量表示和模型训练等工作,深度学习模型进行人工标注处理文本序列,直接将筛选后的文本投放到分类器中训练。本文针对机器学习分类模型和深度学习分类模型对文本分类准确率高低为出发点,构建了多种分类模型比较分析,得出分类准确率较高的模型。针对电气设备故障文本分类研究,构建了五种传统的机器学习分类模型(支持向量机模型、K-最近邻模型、朴素贝叶斯模型、Logistic回归模型、Gradient Boosting模型),研究这些模型的故障数据分类准确率。研究过程包括对筛选后的故障数据通过隐马尔科夫模型的维特比算法进行文本分词和去除停用词处理,接着对预处理后的数据通过卡方统计量和互信息法以及融合卡方统计量和互信息法改进的M-CHI法对文本数据进行特征提取,并通过空间向量模型进行文本表示得到词向量矩阵,接下来将词向量矩阵分别投放到构建的五种机器学习训练模型中。实验结果表明,改进的M-CHI特征提取方法提高了故障数据的特征提取值,支持向量机模型在采用该方法的基础上是五种机器学习模型中分类准确率最高的。针对深度学习对文本分类研究,在LSTM模型基础上,为了加强故障文本上下文信息关联,改善信息不连续导致分类错误的情况,构建了双层双向LSTM模型,接着采用Word2vec词向量模型的Skip-Gram架构对词向量进行训练,并融合深层注意力机制关注文本数据中不同词向量的权重,构建了基于深层注意力机制的DA-BiLSTM模型,并与机器学习模型进行分类效果对比分析。实验结果表明,通过对该模型性能做综合训练测试,验证了该模型的分类准确率优于机器学习分类模型,为电气设备监测数据分类提供了有价值的参考。