CN115311826B - 一种基于智能识别的语音平台电力灾情预警方法 - Google Patents

Abstract

本发明提供一种基于智能识别的语音平台电力灾情预警方法，利用智能设备的巡检结果对灾情发生的地点实施定位，并智能的将故障信息和定位信息通过语音平台传送给现场巡检人员；现场巡检人员根据故障信息、定位信息实施巡检，确切定位灾情地点、原因后，将地点、原因通过语音平台上报，语音平台自动地智能分析上报录音，并获取灾情的定位、严重程度，形成结构化数据，实现灾情分析定位，提升电网对各类灾情的预警能力。

Description

一种基于智能识别的语音平台电力灾情预警方法

技术领域

本发明主要内容涉及电力灾情预警领域，特别的涉及一种基于智能识别的语音平台电力灾情预警方法。

背景技术

随着我国电力工业的发展，电网的覆盖面越来越广，设备越来越先进和复杂，出现故障的次数也越来越多。特别是当出现天气、人为因素造成的电网灾情时，将造成区域性停电，为社会生活和经济发展带来了损害。因此，及时发现灾情、定位灾情、化解灾情成为保证电力运行的重要任务。

传统的灾情排查方法采用人工巡检方式，这种方式的主要问题是效率低，发现问题、上报问题的速度较慢。为了解决这些问题，特别是随着科技的发展，基于无人机、卫星等先进探测设备的巡检方式逐渐投入使用，这些设备探测效率高，作业面积广，大大提高了故障灾情的探测定位效率。然而这些设备对地形和地面状态的要求比较高，通常只能探测处于开阔空旷地区的输电设备，而对于一些自然环境复杂地区或室内则无法执行探测任务。这时，通常采用前端部署的边缘设备如智能摄像头、智能探测仪等实施故障灾情探测，然而这些设备又面临灾情下断电、断网无法工作的问题。因此，急需一种灾情上报快、报告准确的预警方法。

传统在采用人工巡检方式时，即使发现灾情进行语音上报时也会碰到环境嘈杂、通讯信号不佳而导致的语音信号分辨不清，甚至发生错误的情况。这些问题不仅极大地影响了灾情的准确及时上报，甚至可能由于误判导致灾情进一步加剧。

发明内容

为了解决上述一个或多个问题，充分结合并发挥人工巡检、智能设备巡检的各方优势，提高电力灾情的定位效率，提出一种基于智能识别的语音平台电力灾情预警方法：利用智能设备的巡检结果对灾情发生的地点实施定位，并智能的将故障信息和定位信息通过语音平台传送给现场巡检人员；现场巡检人员根据故障信息、定位信息实施巡检，确切定位灾情地点、原因后，将地点、原因通过语音平台上报，语音平台自动地智能分析上报录音，并获取灾情的定位、严重程度，形成结构化数据，实现灾情分析定位，提升电网对各类灾情的预警能力。

一种基于智能识别的语音平台电力灾情预警方法，包括：

步骤1：无人设备采集电力灾情现场数据，并将灾情数据发送至语音平台；语音平台将无人设备获取的灾情现场数据生成灾情巡检排查表；

步骤2：语音平台对步骤1所述的排查表采取循环检查，确定将排查表中的一项巡检记录发送至对应巡检人员；根据预先建立的巡检记录中的数据编码与中文语音的映射表，将该项巡检记录转化为中文语音，并发送至对应巡检人员。

步骤3：语音平台接收巡检人员反馈的语音信息，并利用神经网络模型将反馈的语音信息转换成结构化数据，具体方法为：

(1)将语音信号进行采样后划分为多个帧序列；并将第k帧f_k作频域变换，得到第k帧的频域表达F_k(n)，其中n表示频域下标，0≤n≤N；

计算加窗口后信号的能量谱如下：

其中窗口为

(2)将能量谱G(m)输入神经网络模型中，从而得到结构化数据；其中神经网络模型的激励函数为：

参数μ为控制参数。

本发明的发明点及技术效果：

1、本发明创新的提出将无人设备检测结果转化为供巡检人员使用的结构化信息(巡检排查表)，从而指导巡检人员实施电力灾情巡检，并自动解析巡检人员的语音反馈信息，完善灾情巡检记录，提高了灾情巡检的效果和速度，提升电网对各类灾情的预警能力。

2、本发明创新的提出通过语音信息进行分帧、优化窗口函数提取特征向量、建立具有独特激励函数表达形式的自动识别模型，实现模糊的语音信息向精确的结构化信息的转换，使系统能够自主完成巡检流程，避免现场噪音和通讯噪音影响，提高巡检汇报的准确性，能够极大地提升巡检的效率和效果。同时，将反馈的语音信息转换成结构化数据，自动完善灾情巡检记录，使得建立完善、高效的灾情预警体系成为可能。

附图说明

图1为本发明基于智能识别的语音平台电力灾情预警方法的流程图。

具体实施方式

一、预警方法，如图1所示：

步骤1、语音平台将无人设备获取的灾情现场数据转化为可发布信息

语音平台将来自无人设备获取的原始数据转化为包含定位信息、灾情信息的现场数据，并通过语音转换模块及方法将上述现场数据转化为语音信息，通过语音平台搜索并呼叫相关的现场巡检人员，接通后将语音信息发布给巡检人员。

所述无人设备，包括无人机、卫星等可移动的智能设备，也包括现场部署的各类固定采集器设备，如摄像机、温度传感器、烟雾传感器等。

每台设备将数据传回给语音平台，包括移动设备和固定设备，语音平台处理这些数据并实施转换，将上述数据转化为语音信息。每台设备传回的数据可分为三类：设备标识数据、地理信息数据、现场业务数据。

设备标识数据对每一台设备是唯一的，通过设备标识数据可以唯一确定数据的来源；设备标识数据主要的作用是协助提供地理位置信息。

地理信息数据是本发明用于实现核心业务功能的关键数据，用于对灾情发生地点进行概略定位，以便通知当地现场巡检人员。对于移动智能设备，其设备本身安装有定位模块，可提供与设备、时间相关的地理信息数据，即定位信息；对于固定设备，有些设备不含有定位模块，但可根据安装时的记录和每台设备的设备标识数据确定该设备所在的位置。因此地理信息数据与设备标识数据联合提供了定位信息。

现场业务数据用于描述现场灾情的现实情况，为判别灾情的严重程度提供依据；另外，现场业务数据还用于做出是否需要进一步采取人工措施、采取何种措施的判断。现场业务数据包括现场图像、温度数据、电压电流数据等设备直接采集的数据。通过对现场业务数据做出分析，获得灾情的定位信息，由地理经纬度或其它可用坐标表示；获得灾情的严重程度，用数字分级表示；获得灾情的描述，用标签词组表示，词组包括若干标签，每个标签表示灾情的某种性质，既可以是电网设备自身故障的原因，如漏电、短路、过载等，也可以是外在因素，如山火、覆冰、大风、雾霾等。

根据灾情的严重程度、描述确定需采取的措施，生成灾情巡检排查记录，由灾情事件的描述、严重程度、影响范围、拟采取的措施组成，并将排查记录写入语音平台的排查表。

排查表是一个结构化的数据表。表的每一行表示一条记录，表示一起灾情事件。每条记录包含七个项，第一项是灾情事件的唯一编号，第二项是灾情的发生时间，第三项是灾情的描述，第四项是灾情的严重程度，第五项是灾情可能的影响范围(地理位置)，第六项是拟采取的措施，第七项是处理结果。处理结果的初始值记为“待发布”。

步骤2、语音平台自动将相应的数据转化为中文语音，并向现场巡检人员发布。

一种智能识别的语音平台对步骤1所述的排查表采取循环检查。当排查表不为空时，依灾情的发生时间依次检查记录，检查方法如下。

S1、如果处理结果为已处理完毕，将该记录加入已处理事件表，并从排查表中删除。处理下一条记录。

S2、否则，如果处理结果为已发布待处理，计算灾情发生时间与当前时间的差值，并根据严重程度在阈值数据库中查询，如果时间差值超过阈值数据库中的预设值，生成一条报警记录，并发送给人工监测系统。处理下一条记录。

S3、否则，即处理结果为待发布。根据灾情的严重程度、影响范围确定发布的巡检人员对象，将记录中灾情发生时间、描述、严重程度、影响范围、措施转化为中文文字或语音，并通过电话等方式向巡检人员发布。发布后将对应记录的处理结果标记为已发布待处理。

上述电话的发布方式，是考虑到灾情发生后，可能影响当地的供电、网络信号不可用，而采取的一种相对可靠的发布方式，由于电话线路的供电和信息传输通常独立于市电，且电话线路本身具备供电能力，因此在大多数情况下可靠性更高。当互联网络等通信信道畅通时，也可采用网络通信、邮件通信等方式发布，发布方式不影响本方法的实施。

特别的，为了实施上述语音的发布内容，将以计算机数据编码形式表示的巡检记录转化为中文的语音信息。

建立巡检记录各项中的数据编码与中文语音(或文字等发布形式)的映射表，一条映射包括一项数据编码、及与其对应的中文语音，实施方法如下(T1-T7)：

T1、时间项精确到秒，按照年、月、日、时、分、秒的单位分别映射，例如年单位包括2020-2030共11项映射，月单位包括1-12共12项映射，日单位包括1-31共31项映射，时单位包括0-23共24项映射，分单位包括0-59共60项映射，秒单位包括0-59共60项映射。

T2、描述项按中文字符逐一映射。每个字符映射到对应的语音。巡检人员根据描述内容了解灾情的概况。

T3、严重程度根据级别逐一映射，例如严重程度分级为0-9，则建立10项映射。巡检人员根据严重程度可大致安排巡检时间、巡检人数等。

T4、影响范围根据地理坐标所对应的行政区域映射，行政区域精确到街道或小区，每个行政区域作一个映射，例如X省X市X区X街道X小区。巡检人员根据影响范围前往可能发生灾情的地区实施巡检。

T5、措施按照电力行业灾情处理规程的条例映射，按条例的最小单位，每个条例作一个映射。例如X章X节X条X款X项。巡检措施主要用于为巡检人员提供巡检注意事项和预防措施，保护巡检人员安全。

T6、根据上述映射规则，将各项中的数据编码按顺序依次形成连续的语音，并由语音引擎在电话接通后播出。

T7、如果是采用邮件等文本通信方式，将前述数据编码按T1-T5规则转成文字发布。

步骤3、语音平台接受现场巡检人员的反馈信息，并将反馈的语音信息转换成结构化数据。

现场巡检人员接受到步骤2语音平台发布的语音、文字等灾情预警后，根据发布内容开展巡检工作，例如根据影响范围检查相应区域内的设备，根据描述、严重程度、措施等拟定巡检计划。

现场巡检人员完成现场巡检后，将结果通过电话向语音平台反馈。采用电话反馈方式对巡检人员具有显著的便利性和问题反馈的时效性。

由于语音信息无法被计算机系统直接识别，语音平台设置专用语音处理模块和方法，将语音信息转换成计算机系统可识别、处理的结构化数据。

P1、语音平台按顺序播报提示，现场巡检人员按提示作答，语音平台记录回答的语音信息，自动判断语音信息中是否包含特定的关键词，并根据关键词跳转到相应步骤。如下：

P1.A、灾情预警与现场是否吻合？回答“是”或“否”。

如果答案为“是”，转P1.D。如果答案为“否”，转P1.B。

P1.B、是否发生预警之外的其它灾情？回答“是”或“否”。

如果答案为“是”，转P1.C。如果答案为“否”，结束流程。

P1.C、描述预期外灾情的现场情况。

巡检人员描述预期外的灾情现场情况，语音平台记录下语音。结束流程。

P1.D、灾情发生位置是否准确？回答“是”或“否”。

如果答案为“是”，转P1.F。如果答案为“否”，转P1.E。

P1.E、描述灾情实际发生的位置。

巡检人员描述灾情实际发生的位置，语音平台记录下语音。转P1.F。

P1.F、灾情严重程度是否与预警吻合？回答“是”或“否”。

如果答案为“是”，流程。如果答案为“否”，转P1.G。

P1.G、给出实际灾情发生的严重程度评估值。

巡检人员给出实际灾情发生的严重程度分级的评估值，为预先定义的数字。语音平台记录下语音。结束流程。

步骤P1A、B、D、F，语音平台对回答的语音信息进行自动识别，判断其中是否含有“是”或“否”的音素出现。方法如下。

一段语音信息可根据采样间隔时间对每个采样点的语音进行采样，获得数字音频信号，用s(t)表示。t表示时间轴坐标。

对数字音频信号s(t)按步长Δ划分成若干帧，每帧的时长相等：

f_k(x)＝s(xδ+kΔ),k＝0,1,…,0≤x≤N…(1)

f_k表示第k帧，f_k(x)表示第k帧的第x个采样点，N表示每一帧中采样点的总数。δ表示语音的采样间隔时间。作为优选，取Δ＝15ms，T＝35ms，

对第k帧作频域变换：

得到第k帧所对应的频域表达F_k。n表示频域下标，0≤n≤N。π表示圆周率。

在频域进行加窗滤波，并计算加窗后信号的能量谱如下：

其中，ln表示自然对数，

通过施加如(4)的窗口组，可以实现对区分“是”、“否”音素的语音特征的提取。加窗后的能量谱G(m)称为语音特征的特征向量。

建立基于特征向量的识别模型如下。模型的输入为能量谱G(m)，定义：

其中，α表示在能量谱函数的偏移量，-2≤α≤2表示窗口ω₁大小为5，α表示窗口元素的序号，ω₁(α)表示窗口元素的取值，β₁表示线性偏置参数。σ为一非线性函数，定义如下：

参数μ为控制参数，使上述非线性函数在零点处产生断点，有助于改善模型对特征的识别性能，优选μ＝-0.03。非线性函数σ(x)的作用是使识别模型能够对非线性映射进行建模。

定义：

其中，α表示在h₁函数的偏移量，-4≤α≤4表示窗口ω₂大小为9，α表示窗口元素的序号，ω₂(α)表示窗口元素的取值，β₂表示线性偏置参数。σ定义如(6)。

式(5)、(7)对源输入进行不同尺度下(窗口大小)的特征建模，用于提取多尺度信号特征，以便识别不同的语音信号。

进一步的，定义：

上式中，j表示与m取值范围相同的自由变量；表示h₂(j)与h₃(m)对应的线性权值，说明h₂的每个元素与h₃的每个元素之间都存在线性关系.β₃表示线性偏置参数。σ为式(6)定义函数。

最后，定义：

上式B₀、B₁表示模型的输出，ψ₁(j)、ψ'₁(j)分别表示h₃(j)与B₀之间、h₃(j)与B₁之间的线性权重，h₃(j)表示向量h₃的第j个元素。β₄、β'₄表示线性偏置参数。

预先准备包含“是”的语音、包含“否”的语音、不包含上述二者的语音，每个样本长度为式(1)的帧长度，对上述模型实施训练，语音信号按(2)-(4)方法提取特征向量作为模型输入，样本的预期输出值按下列方法确定：如果语音包含“是”，则/>如果语音包含“否”，则/>如果语音不包含上述任一项，则/>此外，给定一组输入样本，根据(5)-(9)可获一组实际输出值B₀、B₁。故优化求解下式：

其中，0<a,b<1为控制参数，有助于降低上述优化过程中数据噪声的影响。作为优选，取a＝0.3,b＝0.7。可采用BP算法完成对式(10)的优化，迭代求取式(5)、(7)、(8)、(9)中待定参数的值。

模型参数确定后，将从语音平台获得的待判断数字音频信号s(t)按(1)划分为若干帧，每一帧f_k(x)按(2)-(4)计算能量谱，将能量谱作为输入，通过模型(5)、(7)、(8)、(9)获得输出B₀、B₁。如果B₀>0.5、B₁<0.5，则认为该帧包含“是”语音，如果B₀<0.5、B₁>0.5，则认为该帧包含“否”语音，前述两种情况下，语音平台按模型输出跳转相应步骤；否则，如果B₀<0.5、B₁<0.5，则认为该帧不包含上述任一的语音，如果B₀>0.5、B₁>0.5，认为语音难以分辨，前述两种情况下，提示重新录入语音。

步骤P1.G，语音平台对回答的语音信息进行自动识别，判断其中是否有预期的数字出现。方法如下。

根据步骤P1.F中(1)-(4)对输入语音信息进行采样、分帧，获得能量谱。

建立语音特征向量的识别模型。如下。

根据(5)-(8)，依次建立模型，获得中间输出值h₃(m)。

进一步的，定义：

式中，d表示待分辨的严重程度级别，假设严重程度分级为Grade级，则向量B(d)为Grade+1维。

定义：

预先准备包含不同严重程度分级数字的语音、不包含分级数字的语音，每个样本长度为式(1)的帧长度，对前述模型(5)-(8),(11)，(12)实施训练，语音信号按(2)-(4)方法提取特征向量作为模型输入，样本的预期输出值按下列方法确定：如果语音包含第d个分级数字，则“是”，则/>其他值为0；如果语音不包含分级数字，则/>其他值为0。此外，给定一组输入样本，根据模型(5)-(8),(11)，(12)可获一组实际输出值B'(d)。优化求解下式：

同样采用BP算法完成对式(13)的优化，迭代求取式(5)-(8),(11),(12)中待定参数的值。

模型参数确定后，将从语音平台获得的待判断数字音频信号s(t)按(1)划分为若干帧，每一帧f_k(x)按(2)-(4)计算能量谱，将能量谱作为输入，通过模型(5)-(8),(11),(12)获得输出B'(d)。取其中的最大分量所对应的d值，作为判断的严重程度分级。如果d＝0，认为语音中不包含严重程度分级数字，提示重新录入语音。

P2、语音平台通过步骤P1获得一系列语音信息及经过处理的衍生信息，包括P1.A、B、D、F中获得的事件发生与否的二值信息，及P1.C中预期外灾情的现场情况信息，及P1.E描述灾情实际发生的位置信息，及P1.G现场巡检人员对灾情实际严重程度的评估值信息。

获得上述信息后，语音平台将其补充在步骤2所述排查表的相应记录处，并将对应记录标记为“已处理完毕”。

通过步骤2所述方法将自动巡检设备的巡检结果发布给现场巡检人员，通过步骤3所述方法收集巡检人员的反馈，采用自动语音处理方法将语音数据转换为结构化数据，并作记录，完善灾情预警、巡检记录，有助于更好的发现和应对灾情。

本发明提出一种基于智能识别的语音平台电力灾情预警方法，结合智能巡检设备与人工巡检的巡检信息，以智能巡检设备的巡检记录为基础，为巡检人员提供线索和帮助，巡检人员根据严重程度实施人工验证，语音平台自动采集巡检人员反馈并智能生成巡检的结构化数据，完善灾情巡检记录，使灾情预警更精准。表1给出方法实施前、后灾情预警部分关键指标对比。可见，本方法的实施减少了灾情定位所需的平均时间，降低了巡检人员出警的次数，同时提高了整体灾情定位的准确率。

表1

二、预警系统结构

1、语音平台

语音平台用于将来自无人设备获取的原始数据转化为包含定位信息、灾情信息的现场数据，并通过语音转换模块及方法将上述现场数据转化为语音信息，通过语音平台搜索并呼叫相关的现场巡检人员，接通后将语音信息发布给巡检人员。

2、无人设备

无人设备包括无人机、卫星等可移动的智能设备，也包括现场部署的各类固定采集器设备，如摄像机、温度传感器、烟雾传感器等。

3、巡检人员终端

巡检人员终端用于接收语音平台下发的语音信息，同时用于上传巡检反馈信息到语音平台。

Claims (10)

1.一种基于智能识别的语音平台电力灾情预警方法，其特征在于：

步骤1：无人设备采集电力灾情现场数据，并将灾情数据发送至语音平台；语音平台将无人设备获取的灾情现场数据生成灾情巡检排查表；

步骤2：语音平台对步骤1所述的排查表采取循环检查，确定将排查表中的巡检记录发送至对应巡检人员；根据预先建立的巡检记录中的数据编码与中文语音的映射表，将该项巡检记录转化为中文语音，并发送至对应巡检人员；

步骤3：语音平台接收巡检人员反馈的语音信息，并利用神经网络模型将反馈的语音信息转换成结构化数据，具体方法为：

(1)将语音信号进行采样后划分为多个帧序列；并将第k帧f_k作频域变换，得到第k帧的频域表达F_k(n)，其中n表示频域自变量，0≤n≤N；

计算加窗口后信号的能量谱如下：

其中窗口为

其中，N表示每一帧中采样点的总数；

(2)将能量谱G(m)输入神经网络模型中，从而得到结构化数据；其中神经网络模型的激励函数为：

参数μ为控制参数。

2.根据权利要求1所述的基于智能识别的语音平台电力灾情预警方法，其特征在于，所述无人设备包括移动智能设备和固定采集器设备，所述移动智能设备包括无人机、卫星，所述固定采集器设备包括摄像机、温度传感器、烟雾传感器。

3.根据权利要求2所述的基于智能识别的语音平台电力灾情预警方法，其特征在于，步骤1中，所述语音平台将来自无人设备获取的原始数据转化为包含定位信息、灾情信息的现场数据，并通过语音转换模块及方法将上述现场数据转化为语音信息，通过语音平台搜索并呼叫相关的现场巡检人员，接通后将语音信息发布给巡检人员。

4.根据权利要求2所述的基于智能识别的语音平台电力灾情预警方法，其特征在于，步骤1中，每台无人设备回传的数据分为三类：设备标识数据、地理信息数据、现场业务数据；

所述设备标识数据对每一台设备是唯一的，通过设备标识数据可以唯一确定数据的来源；设备标识数据的作用是协助提供地理位置信息；

所述地理信息数据用于对灾情发生地点进行概略定位，以便通知当地现场巡检人员，对于移动智能设备，其设备本身安装有定位模块，可提供与设备、时间相关的地理信息数据，即定位信息；对于固定采集器设备，有些设备不含有定位模块，但可根据安装时的记录和每台设备的设备标识数据确定该设备所在的位置；

所述现场业务数据用于描述现场灾情的现实情况，为判别灾情的严重程度提供依据；另外，现场业务数据还用于做出是否需要进一步采取人工措施、采取何种措施的判断。

5.根据权利要求4所述的基于智能识别的语音平台电力灾情预警方法，其特征在于，所述现场业务数据包括现场图像、温度数据、电压电流数据。

6.根据权利要求5所述的基于智能识别的语音平台电力灾情预警方法，其特征在于，语音平台通过对现场业务数据做出分析，获得灾情的定位信息，由地理经纬度或其它可用坐标表示；获得灾情的严重程度，用数字分级表示；获得灾情的描述，用标签词组表示，词组包括若干标签，每个标签表示灾情的某种性质，既可以是电网设备自身故障的原因，也可以是外在因素；语音平台根据灾情的严重程度、描述确定需采取的措施，生成灾情巡检排查记录，由灾情事件的描述、严重程度、影响范围、拟采取的措施组成，并将排查记录写入语音平台的排查表。

7.根据权利要求1所述的基于智能识别的语音平台电力灾情预警方法，其特征在于，步骤2中，对排查表采取循环检查时，当排查表不为空时，依灾情的发生时间依次检查记录。

8.根据权利要求7所述的基于智能识别的语音平台电力灾情预警方法，其特征在于，循环检查方法如下：

S1、如果处理结果为已处理完毕，将该记录加入已处理事件表，并从排查表中删除，处理下一条记录；

S2、否则，如果处理结果为已发布待处理，计算灾情发生时间与当前时间的差值，并根据严重程度在阈值数据库中查询，如果时间差值超过阈值数据库中的预设值，生成一条报警记录，并发送给人工监测系统，处理下一条记录；

S3、否则，即处理结果为待发布，根据灾情的严重程度、影响范围确定发布的巡检人员对象，将记录中灾情发生时间、描述、严重程度、影响范围、措施转化为中文文字或语音，并向巡检人员发布，发布后将对应记录的处理结果标记为已发布待处理。

9.根据权利要求1所述的基于智能识别的语音平台电力灾情预警方法，其特征在于，步骤2中，将巡检记录转化为中文语音的需要建立巡检记录各项中的数据编码与中文语音的映射表，一条映射包括一项数据编码、及与其对应的中文语音，实施方法如下：

T1、时间项精确到秒，按照年、月、日、时、分、秒的单位分别映射；

T2、描述项按中文字符逐一映射，每个字符映射到对应的语音；

T3、严重程度根据级别逐一映射；

T4、影响范围根据地理坐标所对应的行政区域映射，行政区域精确到街道或小区，每个行政区域作一个映射；

T5、措施按照电力行业灾情处理规程的条例映射，按条例的最小单位，每个条例作一个映射；

T6、根据上述映射规则，将各项中的数据编码按顺序依次形成连续的语音，并由语音引擎在电话接通后播出；

T7、如果是采用文本通信方式，将前述数据编码按T1-T5规则转成文字发布。

10.根据权利要求1所述的基于智能识别的语音平台电力灾情预警方法，其特征在于，步骤3中，语音平台按顺序播报提示，现场巡检人员按提示作答，语音平台记录回答的语音信息，判断语音信息中是否包含特定的关键词，并根据关键词跳转到相应步骤。