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...