【技术实现步骤摘要】
本专利技术涉及语音识别，具体为基于深度学习的电力调度语音识别方法。
技术介绍
1、电力调度是电力系统运行的重要环节，涉及对发电、输电和配电系统的实时监控和控制，调度员需要处理大量的信息，执行复杂的操作，确保电力系统的稳定运行，调度过程中的任何错误可能导致电力系统故障、停电甚至更严重的事故，电力调度对操作的准确性和及时性要求非常高，深度学习能够自动提取语音信号的复杂特征，减少了对手工特征工程的依赖，使得语音识别系统在面对多样化的语音输入时更加灵活。
2、如今，对基于深度学习的电力调度语音识别方法的研究还存在一些不足，具体体现在传统的电力调度操作主要依赖于人工输入和手动控制，自动化程度不足，且传统人机交互方式在面对紧急情况下可能无法满足快速响应的需求，手动操作可能导致响应不及时，影响电力系统的安全性和稳定性，人工操作过程中容易出现输入错误、操作失误等问题，这可能导致不必要的电力设备切换、错误的负荷调整，甚至引发电网故障，自动化程度不足意味着更多的依赖人为判断和操作，增加了人为错误的风险，传统交互方式下需要在多个界面间切换，以获取所需的各种信息，可能导致在紧急情况下无法迅速获取关键信息，影响决策的准确性和及时性。
技术实现思路
1、针对现有技术的不足，本专利技术提供了基于深度学习的电力调度语音识别方法，能够有效解决上述
技术介绍
中涉及的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：基于深度学习的电力调度语音识别方法，包括以下步骤：获取的用于电力调度
3、作为进一步的方法，判断采集到的调度语音质量是否合格，具体分析过程为：基于深度学习模型对采集到的调度语音进行分析，获取调度语音质量数据集，基于获取的调度语音质量数据集，综合分析得到调度语音质量评估值，调度语音质量评估值作为判断采集到的调度语音质量是否合格的分析依据；将调度语音质量评估值与数据库中存储的调度语音质量参照评估值进行比较；若调度语音质量评估值不低于调度语音质量参照评估值，则该调度语音质量评估值对应的调度语音质量合格；若调度语音质量评估值低于调度语音质量参照评估值，则该调度语音质量评估值对应的调度语音质量不合格，需重新对调度语音进行采集。
4、作为进一步的方法，调度语音质量数据集，具体包括调度语音分贝值、调度语音信噪比、调度语音失真率。
5、作为进一步的方法，调度语音质量评估值，具体分析过程为：
6、
7、式中，γ为调度语音质量评估值，fb为调度语音分贝值，xz为调度语音信噪比，sz为调度语音失真率，μ1为设定的fb的补偿因子，μ2为设定的xz的补偿因子，μ3为设定的sz的补偿因子。
8、作为进一步的方法，判断调度语音是否可信，具体分析过程为：基于深度学习模型对质量合格的调度语音可信度进行分析，获取调度语音置信数据集，调度语音置信数据集具体包括调度语音语速、调度语音字节平均间隔时长、调度语音语句平均间隔时长、调度语音音调；基于获取的调度语音置信数据集，综合分析得到调度语音置信值，调度语音置信值作为判断调度语音是否可信的分析依据；将调度语音置信值与数据库中存储的各调度语音参照置信值进行比对；若存在与调度语音置信值相等的调度语音参照置信值，则该调度语音置信值对应的调度语音可信；若不存在与调度语音置信值相等的调度语音参照置信值，则该调度语音置信值对应的调度语音不可信。
9、作为进一步的方法，调度语音置信值，具体分析过程为：
10、
11、式中，δ为调度语音置信值，ys为调度语音语速，zj为调度语音字节平均间隔时长，yj为调度语音语句平均间隔时长，yd为调度语音音调，ε1为设定的ys的补偿因子，ε2为设定的zj的补偿因子，ε3为设定的yj的补偿因子，ε4为设定的yd的补偿因子。
12、作为进一步的方法，比对得到电力调度指令，具体分析过程为：对可信的调度语音将进行识别，获取调度语音特征数据集，调度语音特征数据集具体包括调度语音总字节数、调度语音总语句数、调度语音语句最长字节数；基于获取的调度语音特征数据集，综合分析得到调度语音特征值，调度语音特征值作为比对得到电力调度指令的分析依据；将调度语音特征值与数据库中存储的各调度语音特征值对应的电力调度指令进行比对，得到该调度语音特征值对应的电力调度指令。
13、作为进一步的方法，调度语音特征值，具体分析过程为：
14、
15、式中，ω为调度语音特征值，dj为调度语音总字节数，zy为调度语音总语句数，cj为调度语音语句最长字节数，σ1为设定的dj的补偿因子，σ2为设定的zy的补偿因子，σ3为设定的cj的补偿因子。
16、作为进一步的方法，电力调度响应状态数据集，具体包括电力调度响应时延、电力调度响应执行总时长、电力调度响应功率损耗。
17、作为进一步的方法，判断电力调度指令是否被成功响应，具体分析过程为：基于获取的电力调度响应状态数据集，综合分析得到电力调度响应状态评估值，电力调度响应状态评估值作为判断电力调度指令是否被成功响应的分析依据；将电力调度响应状态评估值与数据库中存储的电力调度响应状态参照评估值进行比较；若电力调度响应状态评估值不低于电力调度响应状态参照评估值，则该电力调度响应状态评估值对应的电力调度指令被成功响应；若电力调度响应状态评估值低于电力调度响应状态参照评估值，则该电力调度响应状态评估值对应的电力调度指令未被成功响应。
18、相对于现有技术，本专利技术的实施例至少具有如下优点或有益效果：
19、(1)本专利技术通过提供基于深度学习的电力调度语音识别方法，通过对语音质量的分析，可以过滤掉噪音较大、音质较差的语音数据，确保后续识别过程的准确性，对语音的可信度进行分析，可以根据语音的音调、发音习惯等判断该语音指令是否可信，确保在关键场合下的操作安全，基于可信的语音数据进行指令识别，可以提高语音识别的准确性，减少误识别带来的操作风险，通过判断指令是否成功响应，系统可以实时确认操作的有效性，及时发现和处理未能成功执行的调度命令。
20、(2)本专利技术通过对质量合格的调度语音可信度进行分析，判断调度语音是否可信，在复杂的电力调度环境中，可信度分析可以帮助识别并过滤掉可能的恶意指令，确保系统仅执行可信的操作，可以过滤掉可能导致误报或误动作的低可信度指令，保证系统在执行过程中不出现不必要的动作，提升整体系统的可靠性，通过自动化的可信度分析，系统可以自动排除不可信的指令，减少调度员的手动校验工作，降低工作负担，提高工作效率。
21、(3)本专利技术本文档来自技高网...
【技术保护点】
1.基于深度学习的电力调度语音识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的电力调度语音识别方法，其特征在于：所述判断采集到的调度语音质量是否合格，具体分析过程为：
3.根据权利要求2所述的基于深度学习的电力调度语音识别方法，其特征在于：所述调度语音质量数据集，具体包括调度语音分贝值、调度语音信噪比、调度语音失真率。
4.根据权利要求2所述的基于深度学习的电力调度语音识别方法，其特征在于：所述调度语音质量评估值，具体分析过程为：
5.根据权利要求1所述的基于深度学习的电力调度语音识别方法，其特征在于：所述判断调度语音是否可信，具体分析过程为：
6.根据权利要求5所述的基于深度学习的电力调度语音识别方法，其特征在于：所述调度语音置信值，具体分析过程为：
7.根据权利要求1所述的基于深度学习的电力调度语音识别方法，其特征在于：所述比对得到电力调度指令，具体分析过程为：
8.根据权利要求7所述的基于深度学习的电力调度语音识别方法，其特征在于：所述调度语音特征值，具体分析过程
9.根据权利要求1所述的基于深度学习的电力调度语音识别方法，其特征在于：所述电力调度响应状态数据集，具体包括电力调度响应时延、电力调度响应执行总时长、电力调度响应功率损耗。
10.根据权利要求1所述的基于深度学习的电力调度语音识别方法，其特征在于：所述判断电力调度指令是否被成功响应，具体分析过程为：
...【技术特征摘要】
1.基于深度学习的电力调度语音识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的电力调度语音识别方法，其特征在于：所述判断采集到的调度语音质量是否合格，具体分析过程为：
3.根据权利要求2所述的基于深度学习的电力调度语音识别方法，其特征在于：所述调度语音质量数据集，具体包括调度语音分贝值、调度语音信噪比、调度语音失真率。
4.根据权利要求2所述的基于深度学习的电力调度语音识别方法，其特征在于：所述调度语音质量评估值，具体分析过程为：
5.根据权利要求1所述的基于深度学习的电力调度语音识别方法，其特征在于：所述判断调度语音是否可信，具体分析过程为：
6.根据权利要求5所述...
【专利技术属性】
技术研发人员：宋明曙，马晓磊，段鹏飞，张彦军，杨延栋，於湘涛，刘冉，沈小勇，徐琳，黄辉，汪凯威，
申请(专利权)人：国网新疆电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。