[发明专利]一种基于Pandapower与语音识别的电力系统潮流仿真交互方法

说明书

本发明涉及一种基于Pandapower与语音识别的电力系统潮流仿真交互方法，属于电力系统仿真领域。该方法包括：S1：采用全序列卷积神经网络与连续时序分类模型结合方式建立声学模型；S2：采用一种完全依赖于自注意力机制进行序列建模的方法建立电力系统潮流仿真交互系统的语言模型；S3：将训练完成的语音识别系统嵌入到基于潮流仿真工具Pandapower的电力系统潮流仿真交互系统中。本发明方法将语音识别技术应用到电力系统潮流仿真工具Pandapower的潮流仿真中，实现以语音交互方式完成潮流数据编辑以及控制仿真计算，提高仿真建模的效率，降低仿真技术人员的工作强度。

技术领域

本发明属于电力系统仿真领域，涉及一种基于Pandapower与语音识别的电力系统潮流仿真交互方法。

背景技术

目前，语音识别技术已逐渐被应用于工业、医疗、以及汽车电子等各个领域。但关于它在电力系统潮流仿真方向的应用，目前还尚未见到相关文献报道。且潮流仿真是电力系统规划和运营中不可缺少的一个重要组成部分，对保证电力系统安全稳定运行有着重要作用。但在当前众多潮流仿真工具(如Pandapower等)中，潮流仿真数据的编辑、仿真计算等操作仍然是通过键盘、手、鼠标等传统方式来和计算机系统进行交互，没有采用更为先进的语音识别技术作为人机交互方式的辅助和补充。这就使得在潮流仿真过程中仍然面临仿真建模效率较低、人机交互性不足、以及科研和教学人员仍需花费大量时间进行潮流仿真数据的编辑等问题，对于仿真智能化建设是一个巨大的障碍。

鉴于此，目前亟需一种能提高电力系统潮流仿真效率的方法，同时能实现潮流数据的编辑、仿真计算等操作。

发明内容

有鉴于此，本发明的目的在于提供一种基于Pandapower与语音识别的电力系统潮流仿真交互方法，以实现用语音交互方式完成潮流仿真中的潮流数据编辑、仿真计算等操作。

为达到上述目的，本发明提供如下技术方案：

一种基于Pandapower与语音识别的电力系统潮流仿真交互方法，包括以下步骤：

S1：采用全序列卷积神经网络(Deep Fully Convolutional Neural Network,DFCNN)与连续时序分类模型(Connectionist Temporal Classification,CTC)结合方式建立声学模型；

S2：采用一种完全依赖于自注意力机制进行序列建模的方法(Transformer)建立电力系统潮流仿真交互系统的语言模型；

S3：将训练完成的语音识别系统嵌入到基于潮流仿真工具Pandapower的电力系统潮流仿真交互系统中。

进一步，步骤S1中，所述声学模型的建立具体包括以下步骤：

S11：通过录音设备采集开展电力系统潮流仿真时相关命令的音频数据；

S12：将采集的音频数据进行傅里叶变换得到音频的语谱图；

S13：进行声学模型训练。

更进一步，步骤S13中，进行声学模型训练，具体步骤为：

S131：将音频的语谱图以及训练需要的拼音字典导入声学模型中；

S132：通过较多的卷积层与池化层组合以及CTC损失函数，实现对整句音频的建模。

进一步，步骤S2中，所述语言模型的建立具体包括以下步骤：

S21：根据采集的音频数据得到包含词与词之间关系的文本数据；

S22：进行语言模型训练。

更进一步，步骤S22中，进行语言模型训练的具体步骤为：