电力语音精准识别系统构建模型研究

国网青海省电力公司信息通信公司 林 鑫 佟 芳 马国雷 国网青海省电力公司 张容福 科大讯飞股份有限公司 杨 承 李 心

早期电网电力大数据系统设计，主要采用纵向布局的模式进行搭建，且系统中的每一项功能共同搭建成了大数据子系统。十三五期间，电网电力大数据系统开始进行底层整合，将电网系统中的物联网部分单独设计规划，搭建基础服务层，由上层中的不同类型系统分别在底层数据服务层中对相关数据进行采集器和读取，然后结合系统主要功能设计目标，实现数据挖掘分析[1]。本文提出的电网电力大数据系统设计方案中，采用模块化设计将系统中所有功能模块设计成独立工作模块，提高了系统的稳定性。

1 电力电网大数据语音显示模块的功能

智能电网大数据系统的初期规划阶段，普遍的做法是部署多个相对独立运行的大数据系统。然而，十四五规划期间，面临着将这些系统的显示部分进行有效整合的重大任务[2]，其核心目标是构建一套全新的大数据功能模块，不仅能够支持多个系统输出数据的整合，还能在三维模型上实现这些数据的可视化显示。此外，该功能模块还需具备深入分析IDC 内可用资源的能力，从而为智能电网的决策支持和优化管理提供强有力的数据支撑。该系统需要调用的系统软硬件模组如图1所示。

图1 电力电网大数据显示模块数据流图

在图1的展示中，所有的三维可视化数据均源自于其下方的数据接口。其中，文件管理系统（File System Object，FSO）扮演着重要角色，主要负责读取如电力系统CAD 设计图纸等独立文件数据的作用[3]。同时，应用数据接口部分则被直接应用到物联网和外部系统方面连接上，从而实现了和外部数据库的同步数据。而结构化逻辑数据管理系统则专门用于对IDC 内部相关系统的本地数据库资源的读取，当这些逻辑数据资源被成功读取后会被传送到数据源系统上。而快速逻辑数据会得到DBase系统的专业管理，大宗数据则交由HaDoop 系统高效处理[4]。

为进一步优化数据管理效率，管理系统会精心控制数据的读取和使用。在这个过程中，Redis 系统发挥着至关重要的作用，其构建了高速数据缓存。这一机制由Redis 一级数据缓存和DBase 二级数据缓存共同组成，确保了数据的快速访问和处理。这些Redis 数据随后会被多个数据挖掘系统利用，如Matlab 和Python 系统，共同构建出精准的三维可视化图表。

数据索引的引入使得数据的管理和检索变得更加高效，Map 系统将这些图表整理成数据热点集，进而通过LOD 系统将这些数据热点与地图数据进行深度整合，最终由Html5整合的Flash、JavaScript 等前端组件进行显示。这样就构建了一个完整的数据管理信息化模型，将软硬件系统作为一个功能黑箱进行考察，专注于数据管理部分的工作流程，从而形成了图2中模型。这一模型不仅优化了数据处理流程，而且还提高了数据可视化的效率和精度。

图2 电力电网大数据数据管理模型示意图

在图2所示的场景中，大部分数据都需要经过一系列的处理流程，包括数据缓存、数据挖掘以及数据三维整合，这三个关键步骤完成后，数据才会被提交到管理语音桌面系统中。如部分深度挖掘的结果、预警结果数据、逻辑闭锁数据以及综合保护动作结果数据等，这些特殊的数据能够直接绕过三维整合提交到管理桌面系统中，便于提升数据处理的效率[5]。

2 可视化系统主要功能模块分割及设计实现

针对电力可视化系统的设计，通过将三维地图与电网运行数据两者相互结合的方式进行设计，这样不仅能够便于对数据的查询，还能够通过数据更加直观的促进电网调度效率的提高。因此，在本系统主要功能模块设计时，具体如图3所示。需要重视对系统数据检索功能的设计，如三维地图设计可以更好地应用数据检索。

图3 数据查询模式示意图

在图3所展示的功能中，地理范围的查询功能具备高度的灵活性和精细度。其不仅支持对省、市、区县、街道乡镇、社区行政村、街区以及大型建筑物和电表户等多个层级的查询，而且能够直接在基于地图显示的主界面上展示关键数据。当调度人员点击地图上特定区域时，系统会即时显示该区域的详细数据，便于精准了解各地区电力状况。此外该系统还具备变电站覆盖范围内的数据查询功能，无论变电站等级如何，都能清晰地展示不同倒闸状态下变电站交叉辖区的实际供电模式。

该系统还引入了值域范围查询功能，并配备语音播报，使调度人员能够迅速定位并了解特定范围内的数据情况。特别是录波图数据的直接查询功能，能够实时捕捉离群数据、峰值数据、谷值数据等关键信息，一旦这些数据出现异常系统会立即发出预警提示，确保电力网络的稳定运行。系统还能对多列关联数据、时域关联数据、频域关联数据等进行实时监测预警，实现个性化操作。

2.1 前端显示和三维地图调用功能

电力BIM 系统与地球地理信息地图数据GIS系统或北斗系统等先进技术的融合下，实现了前沿的三维地图功能。通过前端的Flash 组件成功整合了这些地图信息，并将其呈现在Map 系统中。这样，调度人员不仅能够清晰地看到电网的分布情况，还能实时掌握电网的运行状态，为决策提供了有力支持。对于原始录波图数据、深度挖掘数据、汇总统计数据等，尚不支持三维地图的系统的资源。为将这些数据以更直观的方式呈现出来，引入了三维数据图表技术，实现了数据的整合与可视化输出，旨在通过更先进、更丰富的三维图表展示系统为用户带来更为直观的数据体验。

2.2 数据初步治理和数据深度挖掘功能

如图2所示，这一系统为数据提供了从基础整理到深度探索的全方位处理。系统中，部分数据经过初步治理后就能直接满足数据可视化的需求，而另一些数据则需要进一步通过深度挖掘模块进行处理。数据深度挖掘模块部分功能是由系统内置完成的，例如深度迭代回归分析等。同时，还有部分深度挖掘功能是由关联系统提供的，这些功能主要面向特定类型的数据，如预警数据等。初步治理阶段，数据经历了时域和频域的多重分析。在时域分析中，回归分析和超限学习功能发挥了关键作用，帮助识别数据中的趋势和异常。而在频域分析中，小波变换和傅里叶变换等技术的应用则进一步提取了数据的频域特征值，这些特征值随后被转化为二次时域数据，为后续的深度挖掘提供了丰富的素材。

2.3 数据汇总统计功能

如图1所示，之所以在数据挖掘过程中引入Python 模块，是因为数据汇总统计过程并不是简单的进行数据加权累加等操作，而是需要根据可视化显示的实际需求，编制各种较为复杂的统计方案。比如数据的差值序列扩增、数据的杜邦值反向加权赋值等，这些功能均需要更加侧重数据统计的Python 模块进行二次编程开发，而与之并列的Matlab 模块更侧重数据的复杂可视化图表编制。所以Python 与Matlab 的功能结合模式，是使用Python 进行复杂结构下的数据汇总统计后，将统计结果报送到Matlab 生成三维可视化图表，且这些图表使用后续的JavaScript 模块进行重新编程赋值，使其最终可视化亲和度更高、终端界面更为和谐，防止出现数据显示后调度人员观察不彻底或不及时的情况。

3 三维语音可视化系统实际应用效果测试

为测试系统本文系统在日常调度中的应用可行性，选择以2019年和2020年的全年实际运用数据为试验数据展开仿真测试，并利用原桌面系统与本模型驱动之下的桌面系统分别实施调度桌面搭建，选择150个工作年限不同的调度员，将其分成5组，每一组30人，而员工的工作经验主要为1年、3年、7年、15年、30年，对系统进行仿真调度测试。具体结果如表1所示。

表1 调度效率仿真运行测试结果表

调度反应率主要指调度员的反应思考时间（单位：s），结合测试结果可知，本文提出的系统在应用时使得不同工龄阶段调度工作人员的反应效率得到提高；且与原系统对比，本系统进一步降低了新老调度员之间能力方面的差距，提高了新调度员的3.46倍效率，提高了30年工作经验老员工的1.33倍。

调度决策效率是指在调度员发现系统运行状态异常并发出调度指令后，实际产生效果的调度指令与总调度指令的比率。据数据显示，只有一年工作经验的调度员决策效率也高达96.2%。然而，在这组数据中还观察到，不论调度员的工龄长短，当调度员开始使用新系统后其调度决策效率均呈现出显著的提升。新入职的调度员在这方面的提升幅度超过了那些经验丰富的老调度员。经过数据分析，使用新系统后所有调度员的调度失误率均有所下降，尤其是新调度员的失误率下降幅度竟然超过了经验丰富的调度员[6]。

综上所述，新管理模型构建的新电力电网三维可视化系统，对相关功能子系统并未作出调整，即可认为新系统的电网大数据实际挖掘能力并非作出实质性提升，仅通过对电网IDC 中相关的数据算力资源进行深入研究和重新优化整合，成功地提升了电力调度桌面系统的可视化能力，使人机界面更加符合人机交互的原则，界面设计更加友好和直观，极大地提升了用户体验，并进一步提高了电网调度的效率和安全性，为电力系统的稳定运行和人们的日常生活提供了有力保障，也为未来的电网智能化发展奠定了坚实的基础。