| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 选题背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 电力设备状态监测方法研究现状 | 第11-12页 |
| 1.2.2 云计算研究现状 | 第12-13页 |
| 1.3 课题研究的主要内容 | 第13页 |
| 1.4 论文的组织安排 | 第13-15页 |
| 第2章 相关技术 | 第15-25页 |
| 2.1 云计算 | 第15-20页 |
| 2.1.1 Hadoop云平台 | 第15-17页 |
| 2.1.2 Spark云计算技术 | 第17-19页 |
| 2.1.3 Hadoop与Spark技术比较 | 第19-20页 |
| 2.2 基于密度的聚类算法 | 第20-22页 |
| 2.2.1 DBSCAN算法 | 第20-21页 |
| 2.2.2 OPTICS算法 | 第21-22页 |
| 2.3 随机信号的处理方法 | 第22-24页 |
| 2.3.1 随机信号的预处理 | 第22-23页 |
| 2.3.2 AR模型功率谱估计 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于云平台的状态监测数据存储系统设计 | 第25-30页 |
| 3.1 实现目标与性能需求 | 第25页 |
| 3.1.1 实现目标 | 第25页 |
| 3.1.2 性能需求 | 第25页 |
| 3.2 系统的总体架构 | 第25-26页 |
| 3.3 子模块设计 | 第26-29页 |
| 3.3.1 HDFS分布式文件系统存储设计 | 第27页 |
| 3.3.2 Hbase数据库存储设计 | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第4章 状态监测数据的聚类分析 | 第30-40页 |
| 4.1 状态监测数据的特征提取 | 第30-31页 |
| 4.1.1 时域特征量提取 | 第30-31页 |
| 4.1.2 频域特征量提取 | 第31页 |
| 4.2 基于密度的簇结构聚类算法DBClustering的设计 | 第31-36页 |
| 4.2.1 DBClustering的相关概念 | 第32页 |
| 4.2.2 DBClustering的具体流程 | 第32-36页 |
| 4.3 实验仿真测试及分析 | 第36-39页 |
| 4.3.1 泄漏电流的特征提取实验 | 第36-37页 |
| 4.3.2 DBClustering算法的聚类实验 | 第37-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第5章 基于spark的状态监测数据分析方法 | 第40-46页 |
| 5.1 基于云计算的状态监测数据分析模型设计 | 第40-41页 |
| 5.2 DBClustering算法的并行化思想 | 第41-42页 |
| 5.3 基于Spark的RDD-DBClustering算法设计 | 第42-45页 |
| 5.3.1 Spark平台并行化 | 第42页 |
| 5.3.2 基于Spark的状态监测数据特征提取 | 第42-44页 |
| 5.3.3 RDD-DBClustering算法设计 | 第44-45页 |
| 5.4 本章小结 | 第45-46页 |
| 第6章 实验测试与分析 | 第46-53页 |
| 6.1 Spark云计算平台的搭建与部署 | 第46-50页 |
| 6.1.1 全分布环境下Hadoop集群的安装配置 | 第46-49页 |
| 6.1.2 Spark安装配置 | 第49-50页 |
| 6.2 基于Spark的状态监测数据聚类分析测试实验 | 第50-52页 |
| 6.3 本章小结 | 第52-53页 |
| 第7章 总结与展望 | 第53-55页 |
| 7.1 本文主要工作 | 第53页 |
| 7.2 未来工作的展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第58-59页 |
| 致谢 | 第59页 |
