基于大数据和深度学习的电网调度语音识别声学模型研究

随着各级电网调度数据接入规模的快速增大,调度员承担的职责和复杂性日益增多,给电网调度指令的正确下发和电网的安全稳定运行带来了严峻的挑战。调度语音识别是解决该问题的有效手段之一,也是推进电网智能化建设的重要举措。本文首先介绍了语音识别的基本概念,在调度语音大数据的背景下,引入了卷积神经网络模型和隐马尔科夫模型用于电网调度语音识别,并结合电网专业知识背景构建了电网调度语音声学词表,建立了基于大数据和CNN-HMM的电网调度语音识别声学模型,在特征计算时采用了倒谱均值方差归一化方法,以降低信道和噪声影响,提升声学模型的鲁棒性。仿真算例表明,该模型可以有效提升调度语音识别的准确性,为相关工程实践提供了一种思路。

融合语音技术与声纹认证的电力通信设备管理系统

随着电网设备规模的不断扩大,设备管理系统应用需求也不断地增长。针对传统人工管理效率低的问题,提出融合语音技术与声纹认证的电力通信设备管理系统。首先,构建面向电力通信设备词汇的语音语料库和声学词表;然后,采用深度神经网络——隐马尔可夫模型(DNN-HMM)识别语音;最后,结合声纹认证技术,对操作人员的身份进行识别。该系统实现了从手动向语音智能交互操作的转变,使设备管理系统更加高效安全。