电力设备多源异构大数据融合方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 电力设备异构数据融合的研究现状 | 第11-12页 |
| 1.2.2 电力设备多源数据融合的研究现状 | 第12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 本文章节安排 | 第13-15页 |
| 第2章 电力设备大数据融合关键技术分析 | 第15-20页 |
| 2.1 电力设备大数据融合所面临的问题 | 第15-16页 |
| 2.2 电力设备大数据融合关键技术 | 第16-19页 |
| 2.2.1 模型和本体对齐技术 | 第16页 |
| 2.2.2 数据冲突解决 | 第16-18页 |
| 2.2.3 实体连接 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第3章 电力设备状态信息异构模型的对齐方法 | 第20-32页 |
| 3.1 电力系统公共信息模型(CIM) | 第20-23页 |
| 3.1.1 CIM模型结构 | 第20-22页 |
| 3.1.2 CIM模型的扩展 | 第22-23页 |
| 3.2 电力设备状态信息模型 | 第23-30页 |
| 3.2.1 电力设备状态信息模型的建模方式 | 第24-26页 |
| 3.2.2 电力设备状态信息模型的扩展方式及原则 | 第26-27页 |
| 3.2.3 电力设备状态信息模型实例 | 第27-30页 |
| 3.3 电力设备状态信息异构模型对齐方法 | 第30页 |
| 3.4 电力设备状态信息异构模型对齐实例分析 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 基于事件驱动的多源冗余数据融合方法 | 第32-41页 |
| 4.1 电力设备多源数据的来源和特点 | 第32-34页 |
| 4.2 卡尔曼滤波算法 | 第34-37页 |
| 4.2.1 传统集中式卡尔曼滤波 | 第34-35页 |
| 4.2.2 分布式卡尔曼滤波算法 | 第35-37页 |
| 4.3 基于事件驱动的分布式卡尔曼滤波算法 | 第37-40页 |
| 4.3.1 基于需求协方差的事件定义 | 第37-38页 |
| 4.3.2 基于事件驱动的分布式卡尔曼滤波 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 实验仿真及结果分析 | 第41-47页 |
| 5.1 实验环境 | 第41页 |
| 5.1.1 环境配置 | 第41页 |
| 5.1.2 仿真实验测试数据 | 第41页 |
| 5.2 仿真实验设计 | 第41-45页 |
| 5.2.1 三种算法融合性能测试 | 第42页 |
| 5.2.2 算法2中节点的事件触发节点个数 | 第42-43页 |
| 5.2.3 三种算法的融合效率对比 | 第43-45页 |
| 5.2.4 数据融合后完成处理的时间对比 | 第45页 |
| 5.3 本章小结 | 第45-47页 |
| 第6章 总结与展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第51-52页 |
| 致谢 | 第52页 |
