| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-25页 |
| 1.1 课题背景及研究意义 | 第15-19页 |
| 1.2 电力设备监测数据存储和数据处理的研究现状 | 第19-23页 |
| 1.2.1 监测系统的存储软件和监测平台架构 | 第19-20页 |
| 1.2.2 时序波形信号监测数据的存储方法 | 第20-21页 |
| 1.2.3 电力设备监测数据的并行分析和快速处理 | 第21-23页 |
| 1.3 本文的研究内容和结构安排 | 第23-25页 |
| 第2章 云计算与大数据处理技术 | 第25-33页 |
| 2.1 云计算与大数据 | 第25-26页 |
| 2.1.1 云计算的概念和特点 | 第25页 |
| 2.1.2 大数据的概念和特点 | 第25-26页 |
| 2.1.3 云计算与大数据的关系 | 第26页 |
| 2.2 Hadoop大数据处理技术 | 第26-29页 |
| 2.2.1 Hadoop分布式文件系统HDFS | 第26-27页 |
| 2.2.2 分布式数据处理MapReduce | 第27-28页 |
| 2.2.3 分布式面向列的数据库HBase | 第28页 |
| 2.2.4 Hadoop的适用场景 | 第28-29页 |
| 2.3 大数据计算服务ODPS | 第29-30页 |
| 2.4 Spark大数据处理技术 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 电力设备监测大数据存储方法研究 | 第33-54页 |
| 3.1 引言 | 第33页 |
| 3.2 电力设备监测大数据的特点 | 第33-35页 |
| 3.3 基于HDFS的数据存储方法研究 | 第35-43页 |
| 3.3.1 存储架构设计 | 第35-36页 |
| 3.3.2 多源监测数据在分布式系统中的数据分布策略 | 第36页 |
| 3.3.3 考虑数据相关性的多副本一致性哈希存储算法 | 第36-39页 |
| 3.3.4 影响HDFS存储性能的其他因素及优化方法 | 第39-41页 |
| 3.3.5 Hadoop平台搭建和HDFS性能基准测试 | 第41-43页 |
| 3.4 基于HBase的数据存储方法研究 | 第43-47页 |
| 3.4.1 电力设备波形信号数据的HBase存储设计 | 第43-44页 |
| 3.4.2 考虑时空二维属性的监测数据HBase存储设计 | 第44-45页 |
| 3.4.3 基于YCSB的HBase存储性能测试 | 第45-47页 |
| 3.5 基于ODPS的数据存储方法研究 | 第47-53页 |
| 3.5.1 自建Hadoop存储系统的局限性 | 第47-48页 |
| 3.5.2 变压器局部放电数据的ODPS表存储方法 | 第48-51页 |
| 3.5.3 PD数据上传与压缩存储性能测试 | 第51-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第4章 基于MapReduce的电力设备监测大数据并行分析及其应用研究 | 第54-102页 |
| 4.1 引言 | 第54页 |
| 4.2 并行化总体经验模态分解算法MR-EEMD及去噪应用 | 第54-71页 |
| 4.2.1 时序波形信号的快速处理 | 第54-55页 |
| 4.2.2 EEMD算法性能分析 | 第55-57页 |
| 4.2.3 自适应数据分段及边界补偿处理 | 第57-62页 |
| 4.2.4 并行化EEMD算法MR-EEMD | 第62-64页 |
| 4.2.5 实验结果与分析 | 第64-68页 |
| 4.2.6 基于MR-EEMD的局部放电信号去噪 | 第68-71页 |
| 4.3 多源数据并行关联分析 | 第71-83页 |
| 4.3.1 数据分布对并行算法性能的影响 | 第71页 |
| 4.3.2 多源监测数据并行关联查询算法 | 第71-76页 |
| 4.3.3 并行化多通道数据融合特征提取 | 第76-78页 |
| 4.3.4 实验结果与分析 | 第78-83页 |
| 4.4 并行化分形维数特征提取与密度聚类划分 | 第83-88页 |
| 4.4.1 电力设备波形信号的时频分形维数 | 第83-84页 |
| 4.4.2 基于分形维数特征的半监督DBSCAN聚类划分算法 | 第84-86页 |
| 4.4.3 实验结果与分析 | 第86-88页 |
| 4.5 基于ODPS并行框架MR~2的局部放电相位分析和模式识别 | 第88-100页 |
| 4.5.1 大数据环境下传统局部放电相位分析的局限性 | 第88-89页 |
| 4.5.2 并行化PD信号分析整体流程 | 第89-90页 |
| 4.5.3 数据预处理和数据上传 | 第90页 |
| 4.5.4 PD信号放电基本参数n-q-φ并行提取算法 | 第90-92页 |
| 4.5.5 谱图构造和统计特征计算 | 第92-95页 |
| 4.5.6 并行化KNN局部放电类型识别 | 第95-96页 |
| 4.5.7 实验结果与分析 | 第96-100页 |
| 4.6 本章小结 | 第100-102页 |
| 第5章 基于Spark的电力设备监测数据并行分析 | 第102-114页 |
| 5.1 引言 | 第102页 |
| 5.2 监测数据在RDD中的分布式存储 | 第102-103页 |
| 5.3 Spark-KNN快速模式识别算法 | 第103-106页 |
| 5.3.1 基于Spark的并行化KNN算法Spark-KNN | 第103-105页 |
| 5.3.2 Spark-KNN算法的RDD数据处理流程 | 第105页 |
| 5.3.3 基于Hadoop MapReduce的并行化KNN算法MR-KNN | 第105-106页 |
| 5.4 实验与结果分析 | 第106-113页 |
| 5.4.1 实验环境搭建 | 第106-107页 |
| 5.4.2 实验数据 | 第107-108页 |
| 5.4.3 Spark-KNN性能测试 | 第108-113页 |
| 5.5 本章小结 | 第113-114页 |
| 第6章 结论与展望 | 第114-116页 |
| 6.1 结论 | 第114-115页 |
| 6.2 展望 | 第115-116页 |
| 参考文献 | 第116-123页 |
| 攻读博士学位期间发表的论文及其它成果 | 第123-124页 |
| 攻读博士学位期间参加的科研工作 | 第124-125页 |
| 致谢 | 第125-126页 |
| 作者简介 | 第126页 |
