arXiv cs.AI· Emad Efatinasab, Nahal Azadi, Davide Dalle Pezze, Gian Antonio Susto, Chuadhry Mujeeb Ahmed, Mirco Rampazzo·· 3 天前AI 评分20
ProDER：面向演进智能电网故障分类与定位的持续学习方法
ProDER: A Continual Learning Approach for Fault Classification and Localization in Evolving Smart Grids
AI 导读
ProDER 将智能电网故障类型分类与故障区域定位建模为持续学习问题，在 IEEE 13 节点测试馈线上设计三个类增量与一个域增量场景，平均准确率达 58.2%，比最强对比方法 DPDMR（51.6%）高 6.6 个百分点，仅比联合训练（61.4%）低 3.2 个百分点。
正文 · AI 翻译
摘要：智能电网的数据驱动故障诊断模型通常只在固定数据集上训练一次，而在运行中会出现新的故障类型，监测范围也会扩展到新的电网区域。在所有累积数据上从头重新训练成本高昂，而仅用新数据朴素地更新模型会导致灾难性遗忘。为解决这一问题，我们将故障类型分类和故障区域定位建模为持续学习（CL）问题，并在 IEEE 13 节点测试馈线上设计了四种评估场景，其中三种为类别增量，一种为域增量。随后我们提出了基于原型的暗经验回放（ProDER），它在 DER++ 的基础上扩展了原型吸引和原型级排斥损失以稳定特征空间、温度缩放 logit 蒸馏，以及一个原型感知的回放记忆，可保留每个类的核心样本和边界样本。在所有测试的 CL 方法中，ProDER 在所有场景下均取得了最高准确率，平均准确率为 58.2%，比最强的竞争方法（DPDMR，51.6%）高 6.6 个百分点，仅比联合训练（61.4%）低 3.2 个百分点。在每个场景中，它比最强竞争者提升 4.2 至 7.4 个百分点，并在故障类型分类中将与联合训练的差距缩小至最低 1.0 个百分点，同时在故障区域定位中与之持平。此外，当回放缓冲区大幅缩减时，它仍然是最佳方法。这些结果表明，原型引导的回放是一种有效且内存受限的方式，可随着电网演进保持故障诊断模型的最新状态，而在现场测量数据上的验证仍是必要的下一步。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2511.05420 [cs.LG] |
| （或 arXiv:2511.05420v4 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2511.05420 由 DataCite 颁发 arXiv DOI |
提交历史
来自：Davide Dalle Pezze [查看电子邮件]
[v1]
2025年11月7日星期五 16:51:32 UTC（9,299 KB）
[v2]
2026年7月20日星期一 15:30:53 UTC（5,441 KB）
[v3]
2026年10月5日星期一 10:06:01 UTC（2,071 KB）
[v4]
2026年10月12日星期一 10:08:48 UTC（1,994 KB）
来源：arXiv cs.AI · arxiv.org