| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 论文研究背景及意义 | 第9-11页 |
| 1.2 论文的国内外研究现状 | 第11-14页 |
| 1.2.1 大数据分析技术发展及应用 | 第11-12页 |
| 1.2.2 大数据分析在电力行业的应用 | 第12-13页 |
| 1.2.3 风电机组故障预警研究现状 | 第13-14页 |
| 1.3 本论文主要研究内容及结构安排 | 第14-15页 |
| 第2章 大数据分析方法理论研究 | 第15-22页 |
| 2.1 大数据定义及特征 | 第15页 |
| 2.2 大数据与数据挖掘 | 第15-18页 |
| 2.2.1 数据挖掘概述 | 第15-16页 |
| 2.2.2 离群点识别 | 第16-18页 |
| 2.3 大数据分析方法 | 第18-21页 |
| 2.3.1 大数据分析方法概述 | 第18-19页 |
| 2.3.2 聚类分析方法 | 第19-20页 |
| 2.3.3 显著性差异分析方法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 大型风电场相关问题研究 | 第22-30页 |
| 3.1 风电场特点 | 第22-23页 |
| 3.2 风电机组的基本结构 | 第23-25页 |
| 3.3 大型风电场故障统计及风机预警指标体系 | 第25-29页 |
| 3.3.1 大型风电场故障统计 | 第25-27页 |
| 3.3.2 风电场信息与数据标准化 | 第27-28页 |
| 3.3.3 风机预警指标体系 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第4章 基于大数据分析的风机群落异常风机识别 | 第30-50页 |
| 4.1 风机群落规则分析与设计 | 第30-34页 |
| 4.2 基于大数据分析的异常风机识别 | 第34-45页 |
| 4.2.1 基于箱式分布的离群风机识别 | 第34-37页 |
| 4.2.2 基于显著性差异分析的离群风机异常判断 | 第37-45页 |
| 4.3 基于hadoop平台的异常风机识别工程应用 | 第45-49页 |
| 4.3.1 Hadoop平台简介 | 第45-47页 |
| 4.3.2 风机群落异常风机识别案例分析 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于回归分析的异常风机故障预警 | 第50-57页 |
| 5.1 多元线性回归分析 | 第50-52页 |
| 5.1.1 多元线性回归预测模型 | 第50-51页 |
| 5.1.2 回归分析预测模型参数估计 | 第51-52页 |
| 5.2 基于多元线性回归分析的异常风机故障预警设计 | 第52-53页 |
| 5.3 回归分析模型预测实例分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第6章 结论与展望 | 第57-59页 |
| 6.1 结论 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第63-64页 |
| 致谢 | 第64页 |