ProDER：面向演化智能电网的持续学习故障预测方法
机器学习
2025-11-10 v1 人工智能
摘要
随着智能电网发展以满足日益增长的能源需求和现代运营挑战，准确预测故障的能力变得越来越关键。然而，现有的 AI-based 故障预测模型在演化环境中难以确保可靠性，因为它们需要适应新的故障类型和运营区域。在本文中，我们提出了一种智能电网情境下的持续学习 (CL) 框架，以与环境一起演化模型。我们设计了四个基于 class-incremental 和 domain-incremental 学习的真实评估情景，以模拟演化的电网条件。我们进一步引入了基于原型的 Dark Experience Replay (ProDER)，这是一种统一的基于回放的方法，集成了基于原型的特征正则化、logit 蒸馏和原型导引的回放记忆。ProDER 在测试的 CL 技术中取得了最佳性能，仅有 0.045 的准确率下降用于故障类型预测，0.015 用于故障区域预测。这些结果表明 CL 对智能电网可扩展、实际的故障预测具有实用性。
引用
@article{arxiv.2511.05420,
title = {ProDER: A Continual Learning Approach for Fault Prediction in Evolving Smart Grids},
author = {Emad Efatinasab and Nahal Azadi and Davide Dalle Pezze and Gian Antonio Susto and Chuadhry Mujeeb Ahmed and Mirco Rampazzo},
journal= {arXiv preprint arXiv:2511.05420},
year = {2025}
}