| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 大数据技术的研究现状 | 第10-11页 |
| 1.2.2 小水电功率预测的发展现状 | 第11-12页 |
| 1.3 论文的主要工作和内容安排 | 第12-14页 |
| 第2章 基于Hadoop的大数据平台架构关键技术 | 第14-22页 |
| 2.1 Hadoop简介 | 第14-16页 |
| 2.1.1 Hadoop背景概述 | 第14-15页 |
| 2.1.2 Hadoop的基本架构模型 | 第15-16页 |
| 2.2 Hadoop分布式计算框架MapReduce | 第16-18页 |
| 2.2.1 MapReduce的编程模式 | 第16-17页 |
| 2.2.2 MapReduce的执行流程 | 第17-18页 |
| 2.3 Hadoop分布式文件系统HDFS | 第18-21页 |
| 2.3.1 HDFS读写机制分析 | 第18-20页 |
| 2.3.2 HDFS的备份策略 | 第20-21页 |
| 2.3.3 HDFS的负载均衡机制 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 小水电功率数据分布式存储与访问方案设计 | 第22-35页 |
| 3.1 小水电功率数据的特点 | 第22-23页 |
| 3.2 小水电功率数据存储方案设计 | 第23-27页 |
| 3.2.1 小水电功率数据分布式存储方案 | 第23-24页 |
| 3.2.2 小水电功率数据存储文件设计 | 第24-25页 |
| 3.2.3 算例分析 | 第25-27页 |
| 3.3 小水电功率数据副本放置策略 | 第27-33页 |
| 3.3.1 HDFS中数据块副本放置策略 | 第27-28页 |
| 3.3.2 HDFS默认数据块副本放置策略的局限性 | 第28页 |
| 3.3.3 基于多衡量指标的副本放置策略 | 第28-31页 |
| 3.3.4 算例分析 | 第31-33页 |
| 3.4 小水电功率数据追加策略 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于气象信息的小水电功率预测模型 | 第35-47页 |
| 4.1 小水电发电功率影响因素分析 | 第35-37页 |
| 4.1.1 小水电发电功率与降雨的相关性 | 第35-36页 |
| 4.1.2 小水电发电功率与累积降雨量的相关性 | 第36-37页 |
| 4.2 基于气象信息的小水电功率预测方法 | 第37-42页 |
| 4.2.1 预测算法整体流程 | 第37-38页 |
| 4.2.2 基于气象信息的短期功率预测方法 | 第38-42页 |
| 4.3 小水电功率预测算法的分布式计算 | 第42-43页 |
| 4.4 算例分析 | 第43-46页 |
| 4.4.1 小水电功率预测算法准确性验证 | 第43-45页 |
| 4.4.2 分布式功率预测算法的计算效率对比 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 大数据技术在小水电功率预测中的应用 | 第47-54页 |
| 5.1 小水电功率预测仿真平台搭建 | 第47-51页 |
| 5.1.1 Hadoop平台搭建 | 第47-51页 |
| 5.1.2 仿真平台功能 | 第51页 |
| 5.1.3 仿真平台数据导入 | 第51页 |
| 5.2 大数据技术在小水电功率预测中的应用 | 第51-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-55页 |
| 6.1 本文工作总结 | 第54页 |
| 6.2 未来工作及展望 | 第54-55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 |