结合知识蒸馏和图神经网络的局部放电增量识别方法.pdfVIP

2023 年 3 月 电 工 技 术 学 报 Vol.38 No. 5 第 38 卷第 5 期 TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Mar. 2023 DOI:10.19595/ki.1000-6753.tces.220285 结合知识蒸馏和图神经网络的局部放电 增量识别方法 张 翼 朱永利 （华北电力大学电气与电子工程学院 保定 071003 ） 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 中图分类号：TM85 0 引言 部分学者利用 AlexNet[8] 、ResNet[9]和 MobileNet[10] 等大规模 CNN 架构捕获更深层次的局放特征，相 局部放电（简称局放）是电力变压器等高压输 较于浅层 CNN ，识别率和泛化能力进一步得到提高。 变电设备绝缘缺陷的先兆和表现，准确地识别放电 类型对于掌握设备绝缘状况具有重要意义[1] 。传统 上述基于深度网络的局放识别模型具有三个显 著特点：①以海量、多样化的训练数据为基础；② 机器学习方法虽然极大地推动了局放模式识别的发 展[2-3] ，然而这类识别方法的输入特征量依赖人为手 假设训练与测试数据满足独立同分布；③一次性学 习当前所有数据后，学习过程终止。然而，随着变 工设计，存在一定的主观性，还可能遗漏某些关键 压器运行年限的增加以及传感器的增设，更加多样 特征。 性的局放数据逐渐出现，在数据分布上表现出与原 深度学习作为一种新型机器学习方法，能够自 有数据的差异，从而导致原始模型失准。传统做法 适应地挖掘各类型样本的可分性表征，已成为当前 [4] [5] 是将新数据和历史数据混合后重新训练，但重复学 局放诊断研究的主流 。Duan Lian 等 直接将局放 习大规模历史数据带来了极大的计算资源浪费。而 脉冲的一维时域序列作为稀疏自编码器（Sparse 且，随着新一代电力智能终端在电力设备上的应用， Autoencoder, SAE ）的输入，实现了“端到端”的特 [6] [7] 诊断模型逐渐趋