大数据时代的来临,让数据的重要性越升上了一个新高度,其巨大的价值和所提供的机会给众多方向均带来了变革性的发展。但是,数据在采集、传输、存储等各个流程都可能发生故障,导致数据存在缺失,数据集质量低下,直接影响对其分析挖掘的计算结果。对于数据缺失,传统方法大多采用数理统计方法,或者利用丰富的先验知识结合数据业务机理分析构造相对应的数学模型对缺失值进行预测或填充。然而,随着数据细分、爆发式增长的同时,数据的复杂度也日渐增强,数据集所涵盖的信息也越来越多样化,单纯的数学建模或者是机器学习方式已经无法描述高维、特征复杂的数据,导致数据增强效果并不理想。针对上述问题,本文提出了一种基于生成对抗网络和双重语义感知的数据质量增强算法模型。以受多物理场耦合、特征复杂的配电系统采集的运行数据为算例,来验证模型对其数据缺失部分的重构效果。首先,利用生成对抗网络的无监督自主提取数据特征的特点来对配电运行数据进行隐性特征提取,并结合二维卷积神经网络来搭建生成器和判别器的内部结构,对数据进行二维灰度化处理,以增加模型鲁棒性、泛化能力。然后,针对数据增强过程中的对缺失值的重构训练,提出了一种双重语义感知算法来惩罚模型,生成更接近原数据分布空间的数据。该算法通过增强缺失部分在重构数据中的影响,扩大重构模型在增强训练过程中对重构得到数据结果的关注度,形成惩罚力更大、约束性更强的对抗损失优化目标,来寻找隐层空间中与残缺数据提供上下文最为相似且符合其数据原有特征的重构数据,以高精度的重构数据集中的缺失数据来有效提高数据集质量。该方法在面对更灵活、无明显规律特征数据时,可以通过模型的对抗训练无监督的学习其特征,不需要显式建模,仅依赖数据驱动来实现。文中通过对配电网的电压运行数据和功率运行数据分别实验,对模型在大规模随机缺失情况下进行验证,当数据缺失达到90%时,模型仍然可能对其缺失值零误差的重构,证明模型在面对随机大量缺失、特征复杂数据时有着良好的稳定性与修复能力,能极大增强数据集质量。