| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 选题的背景与意义 | 第10-11页 |
| 1.1.1 选题的背景 | 第10-11页 |
| 1.1.2 研究的意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 架空线状态数据分析的研究现状 | 第11-14页 |
| 1.2.2 时间序列分析的研究与应用现状 | 第14-15页 |
| 1.2.3 反馈神经网络的研究现状 | 第15-16页 |
| 1.3 架空线常见故障与关键状态量构成 | 第16-18页 |
| 1.4 本文工作 | 第18-19页 |
| 第二章 ARIMA-LSTM模型的相关理论 | 第19-36页 |
| 2.1 ARIMA模型及其构建 | 第19-24页 |
| 2.1.1 ARIMA模型的定义 | 第19-21页 |
| 2.1.2 ARIMA模型的定阶 | 第21-23页 |
| 2.1.3 ARIMA模型的检验 | 第23-24页 |
| 2.2 ARIMA的传递函数与干预变量模型 | 第24-30页 |
| 2.2.1 传递函数模型及其构建 | 第25-28页 |
| 2.2.2 干预变量模型及其构建 | 第28-30页 |
| 2.3 人工神经网络 | 第30-33页 |
| 2.3.1 神经网络的基本组成单元 | 第30-31页 |
| 2.3.2 神经网络的结构 | 第31-32页 |
| 2.3.3 神经网络的误差反向传播训练 | 第32-33页 |
| 2.4 长短时记忆的反馈神经网络 | 第33-35页 |
| 本章小结 | 第35-36页 |
| 第三章 基于ARIMA-LSTM的架空线状态数据预测 | 第36-68页 |
| 3.1 基于ARIMA-LSTM的架空线状态数据预测流程 | 第36-37页 |
| 3.2 基于ARIMA-LSTM的杆塔倾斜数据挖掘 | 第37-52页 |
| 3.2.1 数据准备 | 第37-41页 |
| 3.2.2 杆塔顺线倾斜角的ARIMA模型 | 第41-46页 |
| 3.2.3 杆塔顺线倾斜角的干预变量模型 | 第46-47页 |
| 3.2.4 基于LSTM的杆塔顺线倾斜角残差修正 | 第47-52页 |
| 3.3 基于ARIMA-LSTM的绝缘子等值盐密分析 | 第52-62页 |
| 3.3.1 基于反距离加权法的架空线杆塔周边气象要素计算 | 第52-54页 |
| 3.3.2 数据准备 | 第54-58页 |
| 3.3.3 等值附盐密度的传递函数模型 | 第58-60页 |
| 3.3.4 基于LSTM的绝缘子等值附盐密度残差修正 | 第60-62页 |
| 3.4 拟合效果分析与对比 | 第62-67页 |
| 3.4.1 杆塔倾斜预测效果分析 | 第62-65页 |
| 3.4.2 等值附盐密度预测效果分析 | 第65-67页 |
| 本章小结 | 第67-68页 |
| 第四章 ARIMA-LSTM模型的并行化提速 | 第68-79页 |
| 4.1 ARIMA-LSTM的并行化方法 | 第68-70页 |
| 4.1.1 状态数据样本的分解与并行化 | 第68-69页 |
| 4.1.2 权值计算过程的并行化 | 第69-70页 |
| 4.2 实验环境搭建 | 第70-72页 |
| 4.2.1 单虚拟机环境 | 第70页 |
| 4.2.2 多虚拟机集群环境 | 第70-71页 |
| 4.2.3 单实机环境 | 第71页 |
| 4.2.4 多实机集群环境 | 第71-72页 |
| 4.3 实验数据与实验指标 | 第72-74页 |
| 4.3.1 实验数据集 | 第72-73页 |
| 4.3.2 实验指标与实验设计 | 第73-74页 |
| 4.4 实验结果 | 第74-78页 |
| 4.4.1 并行ARIMA-LSTM与串行ARIMA-LSTM的对比实验 | 第74-75页 |
| 4.4.2 集群对ARIMA-LSTM的加速性能实验 | 第75-77页 |
| 4.4.3 实验结论 | 第77-78页 |
| 本章小结 | 第78-79页 |
| 总结与展望 | 第79-81页 |
| 研究总结 | 第79页 |
| 研究展望 | 第79-81页 |
| 参考文献 | 第81-84页 |
| 攻读硕士学位期间取得的研究成果 | 第84-85页 |
| 致谢 | 第85-86页 |
| 附件 | 第86页 |
