基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

针对复合电能质量扰动(power quality disturbance,PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot,RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法.首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network,DRSN)对图像数据集进行更深层次特征提取并完成自主分类.然后,基于知识蒸馏(knowledge distillation,KD)让已训练的DRSN指导轻量化网络MobileNetV3进行训练,通过蒸馏实现知识...

Full description

Saved in:
Bibliographic Details
Published in电力系统保护与控制 Vol. 51; no. 14; pp. 75 - 84
Main Authors 贺才郡, 李开成, 董宇飞, 宋朝霞, 肖贤贵, 李贝奥, 李旋
Format Journal Article
LanguageChinese
Published 华中科技大学电气与电子工程学院,湖北 武汉 430074 16.07.2023
Subjects
image
知识蒸馏
递归图
power quality disturbances
深度残差收缩网络
recurrence plot
图像
MobileNetV3
knowledge distillation
电能质量扰动
deep residual shrinkage network
Online AccessGet full text
ISSN1674-3415
DOI10.19783/j.cnki.pspc.221856

Cover

More Information
Summary:针对复合电能质量扰动(power quality disturbance,PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot,RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法.首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network,DRSN)对图像数据集进行更深层次特征提取并完成自主分类.然后,基于知识蒸馏(knowledge distillation,KD)让已训练的DRSN指导轻量化网络MobileNetV3进行训练,通过蒸馏实现知识的跨网络传输.最后,仿真实验和硬件实验表明,利用知识蒸馏训练的MobileNetV3 能实现高精度且轻量化的复合扰动识别,同时在30 dB噪声环境下正确率能提升1.06%,对实际扰动信号识别效果良好,具有良好的噪声鲁棒性.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.221856