随着配电网规模的扩大和信息化建设的推进,配网指挥涉及的信息不断增多。调度员每天需要进行大量重复性的发令、收令、核对等工作,工作量过大,可能会增加失误风险,同时传统电网调度通常使用电话形式进行信息传递,在处理大型故障时,容易形成信息拥挤堵塞,造成行为失配与处置失效。因此如今大规模电网调度给调度员带来了巨大的挑战。随着人工智能技术的快速发展,智能交互开始走进人们的生活。语音识别技术也正逐渐应用到电网调度中去。也由此产生了采用智能虚拟调度员代替重复性和繁杂的人工劳动的需求。其中,语音识别环节关系到虚拟调度员对现场人员汇报信息的准确理解,是调度指令正确处理和发送的基础。通过语音交互的方式,能够快速完成信息传递,有效避免信息拥堵问题,极大程度上提升电网调度指挥的准确性和时效性,有效减少错误指挥而导致的事故发生。然而电网调度语音识别存在一些问题,首先电网调度员是处于噪声环境下工作的,噪声环境是影响语音识别率的重要因素。并且电网调度行业与其他行业相同,具有自己领域特定的专业词汇,面向公共领域的语音识别技术很难识别出电网调度中特有的专业信息词汇。因此,研究具有抗噪能力且面向电网调度的语音识别是十分必要的。在这个背景下,本课题开展了对端到端电网调度语音识别的研究。其课题把重点集中到模型抗噪能力和电网调度专业词汇识别上,主要研究内容如下:（1）为了增强模型抗噪能力,本文将深度残差收缩网络和门控卷积网络引入到电网调度语音识别中来,通过深度残差收缩网络中收缩模块移除阈值区域的冗余信息来提高卷积神经网络特征提取能力,通过门控卷积网络捕获有效上下文。在此基础上,并对其改进提出了残差收缩卷积网络和门控卷积前馈网络,构建了联合CTC的RSCN-GCFN端到端电网调度语音识别模型。（2）由于基于CTC方法的端到端模型在解码时没有引入语言模型,而语言模型往往涉及特定领域的语义理解。因此,为了解决电网调度专业词汇识别问题,将BERT网络应用其中,并对其改进使适应电网调度语言模型任务。然后与基于CTC方法的端到端模型连接,使其模型在电网调度专业词汇上,识别结果更好。