新的持续学习框架增强了智能电网故障预测能力

研究人员开发了ProDER，一个旨在提高不断变化的智能电网中故障预测准确性的新型持续学习框架。该方法解决了现有AI模型难以适应新的故障类型和运行区域的挑战。ProDER集成了基于原型的特征正则化、logit蒸馏和引导式重放记忆，以提高模型的可靠性并减轻计算负担。评估表明，ProDER在故障类型和区域预测方面的准确性下降极小，性能优于其他持续学习技术。 AI

影响 这项研究为在不断变化的能源基础设施中维护智能故障预测服务提供了一种更具资源效率的方法。

排序理由 该集群包含一篇学术论文，详细介绍了用于智能电网故障预测的持续学习新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• Class Incremental Learning
• continual learning
• domain-incremental learning
• Emad Efatinasab
• logit distillation
• Prototype-based Dark Experience Replay
• prototype-based feature regularization
• prototype-guided replay memory
• Smart Grids

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →