基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

作     者：贺才郡 李开成 董宇飞 宋朝霞 肖贤贵 李贝奥 李旋 HE Caijun;LI Kaicheng;DONG Yufei;SONG Zhaoxia;XIAO Xiangui;LI Beiao;LI Xuan

作者机构：华中科技大学电气与电子工程学院湖北武汉430074 

出 版 物：《电力系统保护与控制》 (Power System Protection and Control)

年 卷 期：2023年第51卷第14期

页      面：75-84页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目资助(522077089) 

主　　题：电能质量扰动 递归图 图像 深度残差收缩网络 知识蒸馏 MobileNetV3 

摘      要：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。