基于选择性标注与样本平衡的局部放电模式识别在线学习方法OA北大核心

训练与检测样本分布不一致是深度学习方法对现场新增局部放电(partial discharge,PD)(简称“局放”)识别准确率低的主要原因,为实现局放模式识别对现场数据分布变化的持续适配、降低样本标注工作量,该文提出一种局部放电模式识别在线学习方法。首先,以局放模式识别模型各层特征为信息来源,利用推理模型区分处于训练集分布内外的新增局放样本,并分别采用软标签及人工方式对两种样本进行在线标注;其次,为平衡训练集分布内外样本的数量、提升新增样本识别准确率,采用基于梯度惩罚的条件式wasserstein距离生成对抗网络(conditional wasserstein generative adversarial network with gradient penalty,CWGAN-GP)扩充两类局放样本,并以联合训练的方式更新局放模式识别模型。利用实验及现场采样得到的局放样本对所提方法进行验证,结果表明,所提方法标注工作量降低66.68%,在线学习结束后,新增样本集与训练集分布相同时识别准确率可提升4.61%,分布不同时识别准确率最低提升22.27%。