| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景和意义 | 第10-11页 |
| 1.2 国内外研究现状及发展动态 | 第11页 |
| 1.3 风电机组故障概述 | 第11-12页 |
| 1.4 云计算研究现状 | 第12-14页 |
| 1.4.1 Hadoop的应用 | 第13页 |
| 1.4.2 Spark的应用 | 第13-14页 |
| 1.5 论文研究内容及章节安排 | 第14-16页 |
| 第2章 云平台相关技术 | 第16-26页 |
| 2.1 Hadoop平台概述 | 第16-18页 |
| 2.1.1 MapReduce并行计算框架介绍 | 第16-17页 |
| 2.1.2 MapReduce的集群行为 | 第17-18页 |
| 2.1.3 MapReduce的任务执行流程 | 第18页 |
| 2.1.4 Hadoop集群规模与MapReduce运行速度的关系 | 第18页 |
| 2.2 HDFS | 第18-22页 |
| 2.2.1 HDFS概述 | 第18-19页 |
| 2.2.2 HDFS的架构 | 第19-20页 |
| 2.2.3 HDFS架构上的缺点 | 第20-22页 |
| 2.3 Hive系统 | 第22页 |
| 2.4 Spark技术 | 第22-25页 |
| 2.4.1 Spark技术架构 | 第22-24页 |
| 2.4.2 Spark运行模式 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 风电监测数据的预处理 | 第26-46页 |
| 3.1 风电监测数据概述 | 第26页 |
| 3.2 风电机组监测数据清洗 | 第26-29页 |
| 3.2.1 风电数据特征 | 第26-28页 |
| 3.2.2 重复记录清洗 | 第28-29页 |
| 3.2.3 缺失值清洗 | 第29页 |
| 3.3 基于随机森林的数据分析 | 第29-32页 |
| 3.3.1 随机森林方法的优点 | 第29-30页 |
| 3.3.2 随机森林方法的主要功能分析 | 第30页 |
| 3.3.3 随机森林步骤分析 | 第30-32页 |
| 3.4 基于主成分分析 | 第32-34页 |
| 3.4.1 主成分分析算法 | 第32-33页 |
| 3.4.2 基于主成分分析的特征变换步骤 | 第33-34页 |
| 3.5 基于spark的风电数据数据检测 | 第34-38页 |
| 3.5.1 传统K-means算法 | 第34-35页 |
| 3.5.2 算法流程 | 第35-37页 |
| 3.5.3 算法的缺陷 | 第37-38页 |
| 3.6 基于spark改进的K-means算法 | 第38-45页 |
| 3.6.1 改进K-means算法思想 | 第38-39页 |
| 3.6.2 基于Spark的改进K-means算法并行化实现 | 第39页 |
| 3.6.3 基于并行K-means聚类的风电机组运行状态曲线 | 第39-40页 |
| 3.6.4 基于风电机组状态运行参数曲线的噪声数据处理 | 第40-41页 |
| 3.6.5 实验与分析 | 第41-45页 |
| 3.7 本章小结 | 第45-46页 |
| 第4章 基于spark风电故障诊断数据计算与分析 | 第46-52页 |
| 4.1 基于PCA和BP算法的风电机组故障诊断模型 | 第46-47页 |
| 4.2 基于Spark的PCA和BP神经网络算法 | 第47-49页 |
| 4.3 实验结果分析 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 论文的主要工作及贡献 | 第52页 |
| 5.2 未来工作展望 | 第52-54页 |
| 参考文献 | 第54-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 致谢 | 第57页 |
