数字化电网是未来电网的发展目标,当下电力物联网和信息网通过万物互联和海量信息为电网数字化建立数据基础,通过5G技术初步发展所带来的效益可以预见,该技术在未来能够大幅提高数据通信能力,成为数据传输过程的重要辅助手段。而电气数据的数量和质量是上述新兴概念和技术的基础和重点。数量大、范围广、特征维度高、高频细节丰富的电气数据对于提高电网态势感知准确度、监控水平和辅助服务质量等业务场景具有重要意义。当下,考虑成本的前提下,电网大部分数据集都是采样频率低、电气量种类少、数量大,导致电力物联网和信息网的推广受到限制。而由于通信和储存能力的限制,智能电表虽然能够采集高频（high frequency,HF）电气数据,但是传输前通常将数据压缩为低频（low frequency,LF）。传统重建算法难以实现高精度的超频重建（super frequency reconstruction,SFR）,会造成大量信息丢失。因此,本文利用改进生成式对抗网络（generative adversarial network,GAN）将低频电气数据重建为高频。提出将时序数据转化为电气图像的构建方法,实现神经网络方法对电气图像特征的高效提取。利用基于深度残差网络（deep residual network,DRN）的生成器和改进的残差块（residual block,RB）结构,提高生成器的特征学习能力。此外,生成器损失函数考虑真实样本与生成样本在低维或高维特征的差别。以标准数据集I-BLEND为例进行算法验证。结果表明,相比于传统重建方法,该方法具有更高的和高频细节还原度,能够在不同数据集实现泛化。未来,5G技术高速发展将会较大程度地提升电气数据通信能力,但是同时会导致弱的数据存储能力和强的数据通信能力不匹配的问题。因此,本文提出基于特征驱动的电气数据压缩和重建的一体化方法,提升数据中心的存储能力。在数据压缩方面,引入高斯平滑处理方法,使低频电气图像具有丰富的原始特征信息。在数据重建方面,搭建多尺度特征提取网络（multi-scale feature extraction network,MSFEN）,包括改进深度残差网络（deep residual network,DRN）、浅层特征提取模块和深层特征提取模块。其中深层特征提取模块由深层特征提取单元（deep feature extraction unit,DFEU）组成,包括基于通道间注意力机制（external channel attention,ECA）的残差块和基于通道内注意力机制（internal channel attention,ICA）的残差块。以标准数据集I-BLEND为例进行算法验证,仿真结果表明所提方法能有效对电气数据进行压缩,减轻数据储存压力,同时相比于其他先进超分辨率重建（super-resolution reconstruction,SRR）方法,具有更精确的重建效果。最后,以能源电力领域的负荷预测问题为例,验证所提电气数据超频重建方法的实际工程应用效果。本文提出基于超频重建的负荷预测方法,首先验证两种经典负荷预测方法和一种新的负荷预测方法在低频电气数据输入下的预测准确度,然后验证所提方法在相同输入下的预测准确度。根据仿真结果,超频重建方法能够有效提升负荷预测准确度。