结合知识蒸馏和图神经网络的局部放电增量识别方法

摘要：

当前,基于深度学习的局部放电识别方法缺乏在模型训练后继续学习新增多样性数据样本的方案.为此,该文提出一种结合知识蒸馏和图神经网络(GNN)的局部放电增量识别方法:通过回放少量局部放电旧数据,实现原始模型与新模型间的先验知识共享,以避免知识遗忘;利用先验知识辅助新模型学习局部放电新数据、提升泛化能力;为适应新增数据规模的不确定性,新模型采用与GNN相结合的方式构建,可以协同学习放电特征以及各类放电间丰富的关联信息,弥补有限样本的信息不足.实验结果表明,该方法能够渐进地学习陆续新增的局部放电数据,且不受新数据规模的制约,增量学习后模型对新数据的识别率提升近18％;模型更新所需的计算资源更少,相较于重新训练,显存和内存占用分别下降67.9％和72.7％;具有较好的可推广性,对基于AlexNet、ResNet等网络的局部放电识别模型均能够实现增量式更新.

关键词：局部放电、深度学习、增量学习、知识蒸馏、图神经网络

所属期刊栏目：38

分类号：TM85(高电压技术)

资助基金：河北省自然科学基金;国家自然科学基金;特高压工程技术昆明、广州国家工程实验室开放基金资助项目

在线出版日期：2023-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1390-1400