基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

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.

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

所属期刊栏目：51

分类号：TM72;TN911.7;TM933

资助基金：国家自然科学基金522077089

在线出版日期：2023-08-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：75-84