Simultaneous denoising and compression of power system disturbances using sparse representation on overcomplete hybrid dictionaries
Notice bibliographique
Résumé
This study introduces a novel unified framework for simultaneous denoising and compression of electric power system disturbance signals using sparse signal decomposition and reconstruction on overcomplete hybrid dictionary (OHD) matrix. In the proposed method, the power quality signal is first decomposed into deterministic sinusoidal components and non‐deterministic components using the OHD matrix, including discrete impulse dictionary ( I ), cosine dictionary ( C ), sine dictionary ( S ) and the ℓ 1 ‐norm optimisation algorithm. Then, the hard‐thresholding, uniform threshold dead‐zone quantisation, modified index coding and Huffman coding techniques are used for compression of significant detail signal samples and approximation coefficients. To justify the selection of OHD matrix, four compression methods are implemented using the decomposition techniques based on the dictionaries Ψ = [ I C S ] and Ψ = [ I C ], the wavelet transform (WT) and the discrete cosine transform (DCT). The performance of each method is tested and validated using a wide variety of typical power quality disturbance (PQD) signals taken from the IEEE‐1159‐PQE and GIM–PQE databases and generated using the Microgrid model. The results show that the method with dictionary Ψ = [ I C S ] is capable of effectively compressing the PQD signals as well as suppressing the noise components in the signals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».