找到 2 条结果
基于时空知识蒸馏的居民用户电力负荷预测
Electric Load Forecasting for Individual Households via Spatial-Temporal Knowledge Distillation
Weixuan Lin · Di Wu · Michael Jenkin · IEEE Transactions on Power Systems · 2024年4月
随着电网安全运行和家庭能源管理系统的发展，居民用户的短期负荷预测（STLF）日益重要。尽管机器学习在住宅STLF中表现有效，但本地设备的数据与资源限制制约了个体用户预测的精度。相比之下，电力公司拥有更丰富的数据和更强的计算能力，可部署基于图神经网络（GNN）等复杂模型，挖掘用户间的时空关联以提升预测性能。本文提出一种高效且保护隐私的知识蒸馏框架，通过将基于公用数据预训练的GNN模型中的时空知识迁移至轻量级个体模型，在不访问其他用户数据的前提下提升个体预测精度。在真实住宅负荷数据集上的实验验证了该...
解读: 该时空知识蒸馏负荷预测技术对阳光电源户用储能系统（如ST系列）和iSolarCloud平台具有重要应用价值。可将云端基于海量用户数据训练的GNN预测模型压缩至本地ESS控制器，在保护用户隐私前提下实现高精度负荷预测，优化储能充放电策略和光储协同控制。该轻量化模型可嵌入户用逆变器DSP/ARM芯片，降...
面向在线局部放电监测的特征对齐与类别感知增量学习
Feature-Aligned and Class-Aware Incremental Learning for Online Partial Discharge Monitoring
Jinsheng Ji · Zhou Shu · Minshan Lu · Hongqun Li 等6人 · IEEE Transactions on Power Delivery · 2025年7月
针对高压开关设备在线局部放电（PD）监测的需求，本文提出一种特征对齐、类别感知的增量学习框架，适用于多变电站分布式的开关柜在线监测。该系统通过边缘-云协同架构，周期性聚合分布式数据流以实现模型更新与知识优化。为应对动态数据下的高效模型更新、边缘端决策实时性及带宽约束，引入基于空间对齐的知识蒸馏方法，将云端模型知识迁移至轻量级边缘模型。实验结果表明，所提方法在局部放电数据集上显著优于现有方法，具备高精度与强适应性。
解读: 该增量学习框架对阳光电源ST系列储能变流器和PowerTitan大型储能系统的在线监测具有重要应用价值。局部放电是高压开关设备绝缘劣化的关键指标，该技术的边缘-云协同架构与iSolarCloud平台理念高度契合，可实现分布式储能电站的开关柜实时监测。特征对齐的知识蒸馏方法能将云端复杂模型压缩至边缘设...