摘要 | 第5-6页 |
Abstract | 第6页 |
第1章 绪论 | 第10-17页 |
1.1 选题背景及意义 | 第10-12页 |
1.2 数据挖掘 | 第12-13页 |
1.3 数据流处理 | 第13-14页 |
1.4 研究内容和意义 | 第14-15页 |
1.5 论文的主要工作及组织结构 | 第15-16页 |
1.6 本章小结 | 第16-17页 |
第2章 大数据与电力设备健康评估方法综述 | 第17-26页 |
2.1 大数据的相关研究 | 第17-18页 |
2.2 数据聚类分析 | 第18-20页 |
2.3 数据流处理基本特点 | 第20-22页 |
2.3.1 数据流聚类算法 | 第21页 |
2.3.2 数据流处理相关工具 | 第21-22页 |
2.4 健康评估方法国内外综述 | 第22-25页 |
2.5 本章小结 | 第25-26页 |
第3章 数据流聚类方法研究 | 第26-33页 |
3.1 大数据环境下的智能电网设备健康评估概述 | 第26-27页 |
3.2 大数据分析工具平台 | 第27-28页 |
3.3 SPARK弹性分布式数据集RDD | 第28页 |
3.4 SPARK流式计算 | 第28-29页 |
3.5 基于SPARK流式计算的K-MEANS聚类算法原理 | 第29-32页 |
3.5.1 K-Means聚类算法思想 | 第29页 |
3.5.2 基于Spark Streaming流式计算的K-Means聚类算法 | 第29-32页 |
3.6 本章小结 | 第32-33页 |
第4章 云模型理论及在健康评估中的应用研究 | 第33-44页 |
4.1 云模型与高斯云模型理论 | 第33-35页 |
4.2 高斯云变换方法 | 第35-37页 |
4.3 正向高斯云算法步骤 | 第37-38页 |
4.4 逆向高斯云算法步骤 | 第38-40页 |
4.5 健康状态评估方法建模研究 | 第40-42页 |
4.6 本章小结 | 第42-44页 |
第5章 实例研究 | 第44-54页 |
5.1 风电机组运行工况特征参数选取 | 第44-46页 |
5.2 风电机组运行工况识别 | 第46-47页 |
5.3 改进的K-MEANS算法和传统K-MEANS算法对比分析 | 第47-49页 |
5.4 确定风电机组健康指数 | 第49-51页 |
5.5 判断状态类别 | 第51-53页 |
5.6 本章小结 | 第53-54页 |
第6章 总结与展望 | 第54-56页 |
6.1 工作总结 | 第54-55页 |
6.2 展望 | 第55-56页 |
参考文献 | 第56-60页 |
攻读硕士学位期间发表的论文及其他成果 | 第60-61页 |
致谢 | 第61页 |