- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 555546 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 172037
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 18
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
 群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
面向配用电侧负荷数据的超分辨率感知技术 , r, b9 R4 _) ?; x0 K% Y! J8 r! Q
( V7 { {8 w' [* ]; x5 p# P; h5 n+ F' D3 `9 d) T
4 N3 b& G: {) S! I7 k在智能电网中,精准的数据采集是整个系统安全与经济运行的基础。随着信息与物理系统
" {, m5 p' y7 i0 c8 k融合的不断加深,各类大数据应用与实时控制等任务对采集高频数据的要求不断提高。然而,提高
; L$ i, P m" h8 v8 {9 b数据采样频率必然给系统造成更高的数据通信与存储负担。文中提出了一种基于深度学习的超分
7 l+ M5 K% j0 h$ t+ A5 S- J" F辨率感知技术,用于从低频采样的传感器数据中恢复精确的高频数据。具体地,提出了一种基于门& i% q& h, `; A! `/ Y l/ g
控循环单元网络的深度端到端超分辨率感知方法,包括特征提取、关系推断、信息重建 3 个部分。
' [- b6 B" Z) ]9 K& b( V$ X" n- |特征提取部分采用一维卷积网络对低频数据进行特征提取;在关系推断部分应用门控循环单元网
' D0 C! C# v/ M9 L# \络对获得的特征进行学习,推断低频数据同高频数据间内在关系;在信息重建部分则使用全连接层
( m! T4 c0 S: Z8 Q- |& h5 e6 Q对推断信息进行重建,获得对应的高频数据。采用所提方法对居民用户和工业用户功率数据及输6 h2 s7 J& O+ N
电线电压数据进行超分辨率感知,同时使用恢复的高频数据进行负荷状态识别。算例结果表明所1 |6 p7 a" H/ L6 v& \: s
提方法能够精准有效地恢复低频数据的丢失信息并提升负荷识别等实际应用的准确性。
/ v: L4 u; Y- z. k6 C4 g2 o( q, X' `& }; N9 u' M* b! |2 S$ T
+ D$ `. ~ \) W* V |
zan
|