ProDER：智能电网故障诊断持续学习方法

2026年10月15日，arXiv Artificial Intelligence 刊出由 Emad Efatinasab 等作者提出的 ProDER 方法，将智能电网故障类型分类与故障区域定位建模为持续学习问题。该方法在 IEEE 13-node 测试馈线上设计三个类增量与一个域增量场景，扩展 DER++，加入原型吸引与原型级排斥损失以稳定特征空间、温度缩放 logit 蒸馏，以及保留每类核心与边界样本的原型感知回放记忆。据该报道，ProDER 在所有场景中取得所测试持续学习方法中的最高准确率，平均准确率 58.2%，比最强竞争方法 DPDMR（51.6%）高 6.6 个百分点，仅比联合训练（61.4%）低 3.2 个百分点；在回放缓冲区大幅缩减时仍为最佳方法。报道同时指出，在真实现场测量数据上的验证仍是必要的下一步。目前尚无后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。