人的失误是造成电力系统事故的主要原因之一,国家智能电网的发展要求是尽可能降低电网调度运行中人的失误。电网调度员的情绪变化是包含生理,心理,行为及认知等成分的重要体现,能综合反映出调度员的工作状态。通过监测情绪变化曲线,当负面情绪值持续很高时,电网总调度得到提示,有利于及时有效地干预处理某些紧急事件。论文根据电网实际调度场景,通过与电网调度专家沟通,以及“人-机-环”系统常见的研究思路,设计实验方案。通过预实验效果对方案做出修改,最终确定非接触式的电网调度视频录制和语音采集方案,获取实验数据。针对电网调度场景,调度员正常工作时多数表情幅度不是很大,难以识别的问题,论文设计用Peak-Piloted Deep Network(PPDN)框架解决该问题。PPDN网络输入为同一类型表情,不同强度表达的两张图片,有利于加强特定表情的对比学习。本文PPDN网络中的卷积模块使用微调过的Inception-V3网络,并用峰值梯度抑制(Peak Gradient Suppression,PGS)反向传播算法进行优化训练。在公开表情数据集CK+进行预训练,达到满意的效果后,使用采集的电网数据集进行级联超调训练,最终达到80.4%的准确率。实际语境中,由于某一时刻情绪受前后音素影响,论文设计使用双向长短时记忆(Bi-directional Long Short Term Memery Networks,BiLSTM)网络架构。对于输入电网调度语音序列存在语音片段停顿,静默声较多,有无效字符占位的问题,论文设计含联结时序分类(Connectionist Temporal Classification,CTC)方法的网络解决该问题。分别训练不含CTC模块的Bi-LSTM网络和含CTC模块的Bi-LSTM网路,实验结果表明,使用CTC方法准确率提升4.3%。表情和语音情绪识别模型分别训练后,论文根据情绪研究理论,设计规则,基于决策层面把这两个通道的数据融合,把得到的序列数据进行滑动窗口分割,并对每个窗口进行计算,有效地把情绪序列降维,并不影响其趋势变化。论文对电网调度中大量繁杂的任务进行难易分类,结合调度日志,把发生的任务类别按时间线整理。通过将情绪变化曲线与调度任务关联分析,发现情绪曲线趋势与调度承载压力一致,负面情绪值持续很高时,与电网特殊子任务有效对应,验证本文算法的有效性。