本文介绍了牛东晓院士关于基于数据空间的分布式边云协同关键技术研究，尤其是在电力预测中的应用。通过数据空间，结合数据挖掘和深度智能学习，解决了多源异构数据的处理问题，提高了电力预测精度。数据空间具有明确边界、安全性高和面向对象的特性，为企业数字化转型提供支持。此外，文章还概述了企业数据空间的九层架构，强调了知识服务层和数据分析层在决策优化中的作用。
导语
在数据空间内，通过数据挖掘的方法，以深度智能学习为核心，解决多源异构庞大复杂的影响，以此来提高电力预测精度。
牛东晓 国际欧亚科学院院士，华北电力大学经济与管理学院院长，博士生导师，教育部“长江学者”特聘教授
国家正朝着数字经济逐步转型，所有人都期待着数字经济能够创造产生更多增量价值。在这样的背景下，我们设计并提出了企业数据空间的理论体系，从定义到内容、操作，再到流程实现，将来用于支撑我们企业的数字化的腾飞。
以电力预测为例，在电力工业里面，电力预测是一件大事情。以往数据缺失、精度不够的情况下，很难做到精准预测。但随着多源数据的引入，电力预测正在变得可控。
关于电力预测，数据的来源是多样性的，有气象的、有政策的，有经济的，有系统的，同时，数据的结构又是各不相同的，从过去的纯数字型的，到现在数字+文字+图像+视频、音频这些数据，如何将这些多源异构数据处理、建模，就需要我们仔细考虑了。
早在上世纪90年代初我就开始编程做这种数据，那时候我们用的数据库，但是数据库的问题在于过于死板，在非结构化数据的处理上效率极低，并且，数据管理能力也比较低端，尤其是不能处理一些全过程使用的数据。在这样的情况下，我们一步步转型，逐渐从数据库过渡到了
最低0.47元/天 解锁文章
扫一扫
531
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
