训练与检测样本分布不一致是深度学习方法对现场新增局部放电(partial discharge

PD)(简称“局放”)识别准确率低的主要原因，为实现局放模式识别对现场数据分布变化的持续适配、降低样本标注工作量，该文提出一种局部放电模式识别在线学习方法。首先，以局放模式识别模型各层特征为信息来源，利用推理模型区分处于训练集分布内外的新增局放样本，并分别采用软标签及人工方式对两种样本进行在线标注；其次，为平衡训练集分布内外样本的数量、提升新增样本识别准确率，采用基于梯度惩罚的条件式wasserstein距离生成对抗网络(conditional wasserstein generative adversarial network with gradient penalty

CWGAN-GP)扩充两类局放样本，并以联合训练的方式更新局放模式识别模型。利用实验及现场采样得到的局放样本对所提方法进行验证，结果表明，所提方法标注工作量降低66.68%，在线学习结束后，新增样本集与训练集分布相同时识别准确率可提升4.61%，分布不同时识别准确率最低提升22.27%。