【技术实现步骤摘要】
一种电网数据的质量治理方法及装置
[0001]本专利技术涉及电网数据安全
，具体涉及一种电网数据的质量治理方法及装置。
技术介绍
[0002]数据整理是在挖掘提炼数据价值过程中进行的前期数据预处理工作。研究表明，很多大数据分析任务80％以上的工作花费在数据整理上，这给数据分析带来了巨大的人力成本。更重要的是，由于缺少系统性和理论性的支撑，数据整理的质量千差万别，这给数据分析的结果带来了很大的不确定性，大大影响了大数据价值的挖掘与提炼。因此很有必要重视数据整理这个数据质量治理环节中重要的基础性工作。
[0003]数据质量治理相对于传统的数据质量治理，在实施软件方面赋予了显著的大数据技术特性，但从治理的筹划协调、治理结果的业务和技术目标，到数据质量改进、隐私和安全管控等方法论基本一致。另一方面，目前已有的计算和数据存储能力还远远跟不上指数级增长的数据规模和递增的实时响应需求。
[0004]数据质量的高低代表了数据满足消费者期望的程度。数据质量评价是数据质量管理的重要组成部分，承担着发现数据问题的重任，是改善...
【技术保护点】
【技术特征摘要】
1.一种电网数据的质量治理方法，其特征在于，所述方法包括：对经近似计算的预先构建的深度学习网络进行测试，得到经近似计算的预先构建的深度学习网络产生的误差；基于所述经近似计算的预先构建的深度学习网络产生的误差确定数据识别网络；利用所述数据识别网络对电网数据进行分类。2.如权利要求1所述的方法，其特征在于，所述基于所述经近似计算的预先构建的深度学习网络产生的误差确定数据识别网络，包括：若所述经近似计算的预先构建的深度学习网络产生的误差不大于预设误差界限的2倍，则将所述经近似计算的预先构建的深度学习网络作为数据识别网络，否则，将未经近似计算的预先构建的深度学习网络作为数据识别网络。3.如权利要求1所述的方法，其特征在于，所述预先构建的深度学习网络的训练过程包括：获取真实电网数据对应的正样本数据和负样本数据；采用正态分布规则对所述正样本数据进行数据扩充，采用随机分布规则对所述负样本数据进行数据扩充；利用扩充后的正样本数据和负样本数据构建训练数据集；利用所述训练数据集对初始深度学习网络进行训练，得到所述预先构建的深度学习网络。4.如权利要求3所述的方法，其特征在于，所述深度学习网络为包含N个权重相同的并行CNN网络。5.如权利要求4所述的方法，其特征在于，所述经近似计算的预先构建的深度学习网络的获取过程包括：步骤S11.采用初始化量化精度对每一个并行CNN网络的参数进行量化处理，并对处理后的深度学习网络进行测试，得到处理后的深度学习网络进行测试的输出精度和计算代价；步骤S12.采用第一量化精度对第1个并行CNN网络的参数进行量化处理，采用初始化量化精度对其余并行CNN网络的参数进行量化处理，并对处理后的深度学习网络进行测试，得到处理后的深度学习网络进行测试的输出精度和计算代价；步骤S13.采用初始化量化精度对第1个并行CNN网络的参数进行量化处理，采用第一量化精度对其余并行CNN网络的参数进行量化处理，并对处理后的深度学习网络进行测试，得到处理后的深度学习网络进行测试的输出精度和计算代价；步骤S14.采用第二量化精度对第1个并行CNN网络的参数进行量化处理，采用初始化量化精度对其余并行CNN网络的参数进行量化处理，并对处理后的深度学习网络进行测试，得到处理后的深度学习网络进行测试的输出精度和计算代价；步骤S15.基于步骤S11、步骤S12、步骤S13和步骤S14得到的深度学习网络的输出精度和计算代价计算步骤S11、步骤S12、步骤S13和步骤S14得到的深度学习网络的质量指标；步骤S16.得到质量指标最大的深度学习网络。6.如权利要求5所述的方法，其特征在于，所述初始化量化精度为64bit，所述第一量化精度为32bit，所述第二量化精度为16bit。
7.如权利要求5所述的方法，其特征在于，所述经近似计算的预先构建的深度学习网络的获取过程还包括：步骤S21.更新质量指标最大的深度学习网络中的每一个并行CNN网络的注意力去除权重为初始化注意力去除权重，并对处理后的深度学习网络进行测试，得到处理后的深度学习网络进行测试的输出精度和计算代价；步骤S22.更新质量指标最大的深度学习网络中的每一个并行C...
【专利技术属性】
技术研发人员：王路涛，陈振宇，武丽莎，杨畅，秦明，王家凯，吕宏伟，张乐，
申请(专利权)人：国家电网有限公司大数据中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。