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：sparselearning powerbigdata optimalcomplexitymodel vectorprincipalcomponentanalysis
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
- 文件大小:
- 1.65 MB
- 下载次数:
- 60
-
高速下载
|
