基于稀疏学习的电力大数据压缩与高精度重建
文档名：基于稀疏学习的电力大数据压缩与高精度重建
摘要：电网的运行需要大量电力大数据的支持,为了降低传输工作量,设计基于稀疏学习的电力大数据压缩与高精度重建方法.采用最优复杂度模型处理电力大数据的缺失值,通过基于残差学习方法的DnCNN去噪模型,对大数据去噪.根据向量主成分分析方法,对电力大数据进行压缩处理.基于稀疏学习构建大数据重建网络模型,实现电力大数据的重建.实验测试结果表明,设计方法的数据压缩比最高达到0.986,综合矢量误差整体低于0.3%,归一化均方误差整体低于0.8%.
Abstract：Theoperationofpowergridneedsthesupportofalargeamountofpowerbigdata.Inordertoreducethetransmissionworkload,amethodofpowerbigdatacompressionandhigh-precisionreco-nstructionbasedonsparselearningisdesigned.Theoptimalcomplexitymodelisusedtodealwiththemissingvaluesofpowerbigdata,andthebigdataisdenoisedthroughtheDnCNNdenoisingmodelbasedonresiduallearningmethod.Accordingtovectorprincipalcomponentanalysismethod,powerbigdataiscompressed.Buildabigdatareconstructionnetworkmodelbasedonsparselearningtorealizethereconstructionofpowerbigdata.Theexperimentalresultsshowthatthemaximumdatacompressionratioofthedesignmethodis0.986,theoverallintegratedvectorerrorislessthan0.3%,andtheoverallnormalizedmeansquareerrorislessthan0.8%.
作者：苏良立 王敏楠 余仰淇 肖娅晨 肖戈 Author：SULiangli WANGMinnan YUYangqi XIAOYachen XIAOGe
作者单位：国家电网有限公司大数据中心,北京100052国网信通亿力科技有限责任公司,福建福州350003
刊名：电子设计工程 ISTIC
Journal：ElectronicDesignEngineering
年，卷(期)：2024, 32(14)
分类号：TN931
关键词：稀疏学习电力大数据最优复杂度模型向量主成分分析
Keywords：sparselearningpowerbigdataoptimalcomplexitymodelvectorprincipalcomponentanalysis
机标分类号：TP391.41TM744TN912.32
在线出版日期：2024年7月19日
基金项目：国网大数据中心年中国电力消费指数建设(数经e)(二期)-数据工程项目基于稀疏学习的电力大数据压缩与高精度重建[
期刊论文]电子设计工程--2024, 32(14)苏良立王敏楠余仰淇肖娅晨肖戈电网的运行需要大量电力大数据的支持,为了降低传输工作量,设计基于稀疏学习的电力大数据压缩与高精度重建方法.采用最优复杂度模型处理电力大数据的缺失值,通过基于残差学习方法的DnCNN去噪模型,对大数据去噪.根据向量...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于稀疏学习的电力大数据压缩与高精度重建Power big data compression and high-precision reconstruction based on sparse learning
基于稀疏学习的电力大数据压缩与高精度重建.pdf
页:
[1]