（广西电网有限责任公司河池金城江供电局 广西河池市 547000）
摘要：针对于高智能电网调度而言，为提高语音识别的准确率，将相关技术引入语音识别领域，基于深度神经网络，提出了电力调度语音识别技术。本文对语言识别基本框架及流程进行了阐述，对电力调度语音识别进行了分析，其包括DNN训练原理及方法、电力调度语音语料库制作以及端点检测等，并列举了具体应用实例，希望能帮助到相关人士。
关键词：端点检测；电力调度；模型训练；语音识别
引言：现如今，在电力物联网不断发展的背景下，相关的先进技术将被广泛应用于电力调度，比如人工智能技术及云大转移技术等。对于调度运行及电网控制系统来说，仍使用较为传统的方式来进行人机交互，具体而言，交互过程通过键盘及鼠标得以完成，操作起来较为繁琐。语音人机技术的应用，逐渐淘汰传统交互方式，该技术属于人工智能技术范畴，且具备较好的应用效果。对于语音人机而言，语言识别是其基础，语言识别准确与否将直接决定人机交互效果。
1.语言识别基本框架及流程
针对于语言识别基本框架而言，其流程图如图1所示，语音流程主要包括以下4个方面，既是数据采集、模型训练、端点检测及语音识别。
.png)
图1 语音识别基本框架流程图
数据采集：依据采集到的数据，进而进行录音及制作数据文本。通过数据预处理，能对相关数据（比如音频数据及文本等）进行修正，由此促使音频与文本相匹配，为获取准确的序列（音素序列及拼音序列），需为其打上标签。模型训练：针对于模型训练，可以将其分为声学及语言两种类型。在对语音进行识别时，需对说话人的声音进行分析，需将声音进行分帧处理，具体而言，需将声音进行分段，并以每小段作为一帧。对于语音识别概率训练而言，主要包括以下几种，语言概率：基于语言统计规律，进而获得语句发生的概率；转移概率：也就是指一个状态转移到另一个状态的概率；观察概率：指每一个语音状态所对应的概率。对于转移及观察概率的获取，主要基于声学建模得以实现，语言概率则基于语言模型得以实现。端点检测：一般而言，在开始语音识别之前，需去除空白音频，及存在噪音的音频，识别语音信号是否有效，若存在无效语音信号，需将其去除。语音识别：在进行语音识别时，主要基于声学模型，并识别未知语音序列，由此将语言转变为文本。语音识别模型的建立主要基于模型训练（声学模型及语言模型），并结合端点检测结构。
2.基于DNN的电力调度语音识别分析
本文对于电力调度语音识别分析而言，主要包括DNN训练原理及方法、电力调度语音语料库制作以及端点检测等，接下来将主要从这几方面进行探讨，以供参考。
2.1DNN训练原理及方法
针对于深度学习，其本质是借助于机器，进而学习有关模型及数据特征，并获取大量的数量，在这样的情况下，不仅能提高数据分类的准确率，也能提高数据预测的准确率。与浅层学习相比而言，深度学习具有以下两个特点：更加突出模型结构的深度，通常情况下，隐层节点高于5层；强调数学特征学习的必要性，采用变换特征的手段，在空间之间进行转移，由此促使预测及分类更加准确。对于DNN的训练过程而言，主要包括两个过程，一个是调优过程，另一个是预训练过程。对于预训练过程而言，在该过程中采取的学习方式为非监督形式，其遵循自下而上的原则，具体而言，从底层至顶层进行训练，训练中所采用的数据，可以是标定的，也可以是非标定的，虽然该过程无监督，相对于传统神经网络而言，其是区别最大的部分。监督性调优过程：该过程采用的学习方式为监督形式，同样遵循自下而上原则，训练中所采用的数据是标定的，针对于误差传输，采用自顶向下的方式。
2.2电力调度语音语料库制作及端点检测
针对于电力调度领域，及某一地区电网所需，制定了电力调度语音语料库，具体包括以下方面。文本语料制作：首先将对文本语音资料进行分类及去重处理，并对文中的韵母及声母进行统计，结果发现文本中声母占有率为98%，文本韵母占有率为95%。通过在文本中增加韵母中文汉字，进而促使文本中的韵母覆盖率至100%。在切分语料时，需以标点符号为界限，语音录制时间为15秒为宜。
语音录制：将语音资料发送至录音者，在语音录制完之后，将音频进行回收处理，并给文本及文本音频进行达标。最终得出，有效文本语音时长为204小时，文本容量为22.3G，文本及音频数量皆为68000个。对文件及语音进行注音：为制作模型语料，需对中文进行注音，在对其注音时，不仅要结合汉语拼音，而且要使用标准拼音。对于端点检测而言，其实质是基于音频流，检测有效的语音段，具体而言，包括检测语音起始点，及语音终止点，以此来确定音频信号是否有效，具体检测流程图如3所示。结合电力语音特征，本文采用功率谱熵算法，该方法使用起来较为简单，且计算效果较为有效，促使子波数和设计存在一定的差异。
3.应用实例分析
依据本文提出的语音识别技术，研发了语音识别系统。该系统的主程序布置于电网三区，实现电力调度语音识别的流程如图2所示。
.png)
图2 系统流程图
对于日志语音记录的功能而言，其能在较短时间内，录入大量的文字，对于厂站语音调阅功能而言，能在较短时间内直达厂站画面，由此提高人机交互的效果，促使人机交互更友好。D5000画面流程：通过语音识别系统的作用，将出入至系统的语音转换成文本，之后将文本转化为指令（此阶段过指令生成）。再将指令从电网三区传送至电网一区，然后从电网一区传送至指定台，再通过相应工作站执行命令，以此打开D5000画面。人机交互示意图如图3所示。
选取常用的记录进行语音记录检测，记录条数为100条，并以键盘记录为对照。对于100条记录而言，键盘记录检测所耗用的时间是1230秒，而语音记录检测所耗用的时间是649秒，进而证明语音记录效果更好，记录时间大约降低了46%。D5000厂站画面语言调阅共测试某区域电网厂站共计205座，采用语音调阅厂站画面方式，测试成功率能高达95%，若说话人具有较高的普通话水平，成功率甚至能接近于98%，系统响应速度较快，能满足使用要求。
.png)
图3 系统与D5000交互示意图
结论：通过以上的分析可以得知，基于深度神经网络，提出的电力调度语音识别技术，能提高语音识别的准确率；在对语音进行识别时，需对说话人的声音进行分析，需将声音进行分帧处理，需将声音进行分段；在开始语音识别之前，需去除空白音频，及存在噪音的音频，识别语音信号是否有效，若存在无效语音信号，需将其去除；采用变换特征的手段，在空间之间进行转移，能促使预测及分类更加准确；学习有关模型及数据特征，并获取大量的数量，不仅能提高数据分类的准确率，也能提高数据预测的准确率。
参考文献：
[1]窦建中，罗深增，金勇，等.基于深度神经网络的电力调度语音识别研究及应用[J].湖北电力，2019，43（03）：16-22.
[2]鄢发齐，王春明，窦建中，等.基于隐马尔可夫模型的电力调度语音识别研究[J].武汉大学学报（工学版），2018，51（10）：920-923.