基于知识蒸馏和增量学习的电能质量扰动分类

doi:10.16628/j.cnki.2095-8188.2025.12.001

电器与能效管理技术 ›› 2025, Vol. 0 ›› Issue (12): 1-8.doi: 10.16628/j.cnki.2095-8188.2025.12.001

• 研究与分析 • 下一篇

基于知识蒸馏和增量学习的电能质量扰动分类

丁峰¹^,²^,³, 秦超³, 薛敏涓²^,³, 吴亦然⁴, 施天灵⁴, 汪飞⁴

¹ 同济大学交通学院, 上海 201804
² 电磁能技术全国重点实验室, 上海 200030
³ 上海船舶设备研究所, 上海 200030
⁴ 上海大学机电工程与自动化学院, 上海 200444

收稿日期:2025-10-14 出版日期:2025-12-30 发布日期:2025-12-31
作者简介:丁峰(1993—),男,高级工程师,主要从事船舶电站系统研究。|秦超(1983—),女,高级工程师,主要从事船舶电站系统研究。|薛敏涓(2000—),女,主要从事船舶电站系统研究。

Power Quality Disturbance Identification Based on Knowledge Distillation and Incremental Learning

DING Feng¹^,²^,³, QIN Chao³, XUE Minjuan²^,³, WU Yiran⁴, SHI Tianling⁴, WANG Fei⁴

¹ College of Transportation, Tongji University, Shanghai 201804, China
² National Key Laboratory of Electromagnetic Energy, Shanghai 200030, China
³ Shanghai Marine Equipment Research Institute, Shanghai 200030, China
⁴ School of Mechatronic Engineering and Automation, Shanghai University, Shanghai 200444, China

Received:2025-10-14 Online:2025-12-30 Published:2025-12-31

摘要/Abstract

摘要：

为了准确快速识别电能质量扰动,提出一种融合知识蒸馏和增量学习的卷积神经网络模型。先构建高识别准确率的教师模型,通过知识蒸馏技术将教师模型对旧类别的识别知识有效转移至学生模型;再通过改进传统知识蒸馏损失函数,引入动态权重机制,学生模型实现高效的旧知识蒸馏,还可进行新知识的增量学习。与常规深度学习模型相比,所提模型无需整个重新训练即可适应新扰动,且既能保证高识别准确率,又能显著缩短训练时间并节省计算资源。

关键词: 电能质量, 增量学习, 知识蒸馏, 卷积神经网络

Abstract:

To accurately and quickly identify power quality disturbances, a convolutional neural network model combining knowledge distillation and incremental learning is proposed. First, a teacher model with high identification accuracy is constructed, and the identification knowledge of the teacher model for the old categories is effectively transferred to the student model through knowledge distillation technology. Then, by improving the traditional knowledge distillation loss function and introducing a dynamic weight mechanism, the student model achieves efficient distillation of old knowledge and enables incremental learning of new knowledge. Compared with the conventional deep learning model, the proposed model adapts to new disturbances without full retraning, which can significantly reduce the training time and saves computing resources while ensuring high identification accuracy.

Key words: power quality, incremental learning, knowledge distillation, convolutional neural network

中图分类号:

TM712

丁峰, 秦超, 薛敏涓, 吴亦然, 施天灵, 汪飞. 基于知识蒸馏和增量学习的电能质量扰动分类[J]. 电器与能效管理技术, 2025, 0(12): 1-8.

DING Feng, QIN Chao, XUE Minjuan, WU Yiran, SHI Tianling, WANG Fei. Power Quality Disturbance Identification Based on Knowledge Distillation and Incremental Learning[J]. LOW VOLTAGE APPARATUS, 2025, 0(12): 1-8.

图/表 14

图1

图2

图3

图4

表1

表2

图5

图6

图7

图8

图9

图10

表3

表4

参考文献 15

[1]	初芯言, 郑祥. 基于改进相对强度熵法的风电场电能质量评估方法研究[J]. 电器与能效管理技术, 2023(6):75-79.
[2]	王云会, 郑强仁, 郭淼, 等. 分布式电源接入配电网的控制策略及消纳能力评估研究[J]. 电器与能效管理技术, 2022(4):83-87.
[3]	薛冰, 杨欢红, 葛云芳, 等. 分布式光伏逆变器无功优化与安全提升装置的研制[J]. 电器与能效管理技术, 2022(4):83-87.
[4]	徐永海, 赵燕. 基于短时傅里叶变换的电能质量扰动识别与采用奇异值分解的扰动时间定位[J]. 电网技术, 2011, 35(8):174-180.
[5]	吴炬卓, 陈书原, 牛海清, 等. 混沌粒子群优化小波神经网络在电能质量扰动信号分类中的应用[J]. 电器与能效管理技术, 2022(2):68-73.
[6]	DASH P K, PANIGRAHI B K, PANDA G. Power quality analysis using S-transform[J]. IEEE Transactions on Power Delivery, 2003, 18(2):406-411. doi: 10.1109/TPWRD.2003.809616
[7]	林靖怡, 武建文, 李奎, 等. 基于主成分分析和决策树的故障电弧识别方法[J]. 电器与能效管理技术, 2023(4):1-7.
[8]	XU D, XU J, QIAN C, et al. A pseudo-measurement modelling strategy for active distribution networks considering uncertainty of DGs[J]. Protection and Control of Modern Power Systems, 2024, 9(5):1-15.
[9]	SONG D, ASIFA Y, JAVERIA N, et al. ANN-based model predictive control for hybrid energy storage systems in DC microgrid[J]. Protection and Control of Modern Power Systems, 2025, 10(4):1-15.
[10]	汪飞, 全晓庆, 任林涛. 电能质量扰动检测与识别方法研究综述[J]. 中国电机工程学报, 2020, 41(12):1-17.
[11]	周念成, 廖建权, 王强钢, 等. 深度学习在智能电网中的应用现状分析与展望[J]. 电力系统自动化, 2019, 43(4):180-191.
[12]	彭小圣, 邓迪元, 程时杰, 等. 面向智能电网应用的电力大数据关键技术[J]. 中国电机工程学报, 2015, 35(3):503-511.
[13]	李贝奥, 李开成, 肖贤贵, 等. 基于多尺度卷积融合时间序列Transformer的复合电能质量扰动识别[J]. 电网技术, 2025, 49(6):2511-2520.
[14]	张锐, 张闯, 高辉, 等. 基于自适应特征增强分组卷积网络的电能质量扰动分类[J]. 中国电机工程学报, 2023, 43(15):5808-5818.
[15]	IOFFE S, SZEGEDY C. Batch normalization:Accelerating deep network training by reducing internal covariate shift[C]// International Conference on Machine Learning.Lille, France,2015:448-456.

数据集类型	数据点个数
训练集	48 000×16=768 000
验证集	768 000×0.1=76 800
测试集	16 000×4=64 000

数据集类型	数据点个数
数据集类型	旧类别数据集	新增类别数据集1	新增类别数据集2
训练集	10 000	48 000×2=96 000	48 000×2=96 000
验证集	10 000×0.1=1 000	96 000×0.1=9 600	96 000×0.1=9 600
测试集	10 000×0.1=1 000	96 000×0.1=9 600	96 000×0.1=9 600

TensorRT	量化精度	分类准确率/%	平均推理时间/ms
无	FP32	99.38	0.172
有	FP32	98.67	0.145
有	FP16	97.90	0.087
有	INT8	96.53	0.054

TensorRT	量化精度	分类准确率/%	平均推理时间/ms
无	FP32	99.51	0.564
有	FP32	98.01	0.423
有	FP16	98.12	0.277
有	INT8	97.41	0.196

基于知识蒸馏和增量学习的电能质量扰动分类

Power Quality Disturbance Identification Based on Knowledge Distillation and Incremental Learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

[1]	何键涛, 王兆锐, 鲍光海. 基于Filtering LSTM-Lightweight CNN的交流串联电弧故障检测方法[J]. 电器与能效管理技术, 2025, 0(9): 1-12.
[2]	李永乐, 张树炜, 张文康, 毛行奎. 服务器电源轻载电能质量优化设计与控制[J]. 电器与能效管理技术, 2025, 0(8): 70-78.
[3]	武建松, 刘宏勋, 骆立实, 赵波, 李维江, 张桂芳. 推挽型电力电子变压器的仿真研究[J]. 电器与能效管理技术, 2025, 0(4): 26-30.
[4]	谢振华, 刘玉莹, 侯林明, 王尧, 周家旺, 盛德杰. 基于注意力机制优化电弧特征的光伏直流电弧故障检测方法[J]. 电器与能效管理技术, 2024, 0(8): 50-56.
[5]	孙益凡, 刘玉军, 张树旺, 齐东迁, 陈光华, 郭凤仪. 振动条件下三相交流电动机线路故障电弧诊断方法[J]. 电器与能效管理技术, 2024, 0(8): 69-76.
[6]	王兆锐, 何键涛, 李治彤, 鲍光海. 基于轻量型CNN和特征阈值的光伏系统串联电弧故障检测装置[J]. 电器与能效管理技术, 2024, 0(8): 77-85.
[7]	谢彤彤, 刘颖明, 王晓东, 高兴. 基于CNN-LSTM的永磁同步风力发电机转子偏心早期故障诊断[J]. 电器与能效管理技术, 2024, 0(3): 1-6.
[8]	刘浩, 侯春光, 高有华. 基于多传感信息融合的电缆附件局部放电诊断算法研究[J]. 电器与能效管理技术, 2024, 0(10): 36-41.
[9]	易晓东. 基于博弈论赋权的电压暂降风险GRA-TOPSIS评估模型[J]. 电器与能效管理技术, 2023, 0(8): 47-52.
[10]	初芯言, 郑祥. 基于改进相对强度熵法的风电场电能质量评估方法研究[J]. 电器与能效管理技术, 2023, 0(6): 75-79.
[11]	唐亮星, 李洪江, 刘鑫, 周庭栋, 李盼盼. 基于CNN的小电流接地故障多判据融合选线方法[J]. 电器与能效管理技术, 2023, 0(11): 28-34.
[12]	裘星, 尹仕红, 张之涵, 潘深琛, 江敏丰, 杨建明, 郑建勇. 基于格莱姆角场和迁移学习的电能质量扰动分类研究[J]. 电器与能效管理技术, 2022, 0(7): 21-26.
[13]	李新元, 高鹏, 于浩然, 申振东, 王佰超, 林焱. 基于有源电力滤波器的多功能电子负载设计[J]. 电器与能效管理技术, 2022, 0(4): 41-46.
[14]	吴炬卓, 陈书原, 牛海清, 陆小鹏. 混沌粒子群优化小波神经网络在电能质量扰动信号分类中的应用[J]. 电器与能效管理技术, 2022, 0(2): 68-73.
[15]	孙天龙. 基于卷积神经网络与特高频技术的局部放电模式识别研究[J]. 电器与能效管理技术, 2022, 0(10): 32-37.