| 摘要 | 第5-8页 |
| Abstract | 第8-11页 |
| 第1章 绪论 | 第20-37页 |
| 1.1 选题背景及意义 | 第20-23页 |
| 1.1.1 研究背景 | 第20-22页 |
| 1.1.2 研究意义 | 第22-23页 |
| 1.2 国内外研究动态 | 第23-32页 |
| 1.2.1 电力线路覆冰监测及影响参数研究 | 第23-26页 |
| 1.2.2 电力线路覆冰预测模型研究 | 第26-30页 |
| 1.2.3 电力线路覆冰风险评估研究 | 第30-32页 |
| 1.3 论文主要研究内容和技术路线 | 第32-36页 |
| 1.3.1 论文主要研究内容 | 第32-35页 |
| 1.3.2 研究技术路线 | 第35-36页 |
| 1.4 本章小结 | 第36-37页 |
| 第2章 相关基础理论 | 第37-60页 |
| 2.1 大数据分析相关理论 | 第37-44页 |
| 2.1.1 大数据分析介绍 | 第37-38页 |
| 2.1.2 大数据分析业务流程 | 第38-40页 |
| 2.1.3 大数据分析技术 | 第40-41页 |
| 2.1.4 Spark大数据分析平台 | 第41-44页 |
| 2.2 覆冰预测相关理论 | 第44-55页 |
| 2.2.1 经典覆冰预测模型 | 第44-47页 |
| 2.2.2 基于时间序列覆冰预测模型 | 第47-50页 |
| 2.2.3 现代智能覆冰预测模型 | 第50-55页 |
| 2.3 风险管理相关理论 | 第55-59页 |
| 2.3.1 风险识别 | 第56-57页 |
| 2.3.2 风险评估 | 第57-58页 |
| 2.3.3 风险量化 | 第58-59页 |
| 2.3.4 风险预测 | 第59页 |
| 2.4 本章小结 | 第59-60页 |
| 第3章 输电线路覆冰产生机理 | 第60-70页 |
| 3.1 输电线路覆冰成因及覆冰条件 | 第60-65页 |
| 3.1.1 输电线路覆冰成因 | 第60-62页 |
| 3.1.2 输电线路覆冰条件 | 第62页 |
| 3.1.3 输电线路覆冰的微观物理学分析 | 第62-65页 |
| 3.2 输电线路典型覆冰形态 | 第65-67页 |
| 3.2.1 线路雾凇覆冰形态 | 第65-66页 |
| 3.2.2 线路雨凇覆冰形态 | 第66页 |
| 3.2.3 线路混合淞覆冰形态 | 第66-67页 |
| 3.2.4 线路湿雪覆冰形态 | 第67页 |
| 3.3 覆冰对输电线路的危害 | 第67-69页 |
| 3.3.1 线路覆冰引发电气故障 | 第68页 |
| 3.3.2 线路覆冰造成机械故障 | 第68-69页 |
| 3.4 本章小结 | 第69-70页 |
| 第4章 输电线路覆冰影响因素识别与量化分析 | 第70-105页 |
| 4.1 输电线路覆冰影响因素识别 | 第70-78页 |
| 4.1.1 气象因素对覆冰的影响 | 第70-73页 |
| 4.1.2 环境因素对覆冰的影响 | 第73-76页 |
| 4.1.3 线路参数对覆冰的影响 | 第76-78页 |
| 4.2 输电线路覆冰大数据准备与整理 | 第78-85页 |
| 4.2.1 输电线路覆冰大数据来源 | 第78-79页 |
| 4.2.2 覆冰图像数据提取 | 第79-83页 |
| 4.2.3 覆冰数据异常值处理 | 第83-84页 |
| 4.2.4 覆冰数据缺失值处理 | 第84页 |
| 4.2.5 覆冰数据归一化处理 | 第84-85页 |
| 4.3 基于Spark大数据平台的无限深度卷积神经网络覆冰影响因素量化分析 | 第85-100页 |
| 4.3.1 无限深度卷积神经网络 | 第85-90页 |
| 4.3.2 覆冰影响因素深度性分析 | 第90-92页 |
| 4.3.3 覆冰影响因素相关性分析 | 第92-94页 |
| 4.3.4 覆冰影响因素层次性分析 | 第94-98页 |
| 4.3.5 基于Spark大数据平台的IDNN覆冰影响因素量化分析流程 | 第98-100页 |
| 4.4 实证分析 | 第100-104页 |
| 4.5 本章小结 | 第104-105页 |
| 第5章 基于改进烟花算法优化W-LSSVM的输电线路覆冰预测模型 | 第105-134页 |
| 5.1 基于离散小波不一致率的特征提取模型 | 第105-109页 |
| 5.1.1 离散小波变化（DWT） | 第105-107页 |
| 5.1.2 数据不一致率计算（IR） | 第107-108页 |
| 5.1.3 DWT-IR特征提取模型 | 第108-109页 |
| 5.2 基于Spark大数据平台的QFA-W-LSSVM覆冰预测模型 | 第109-122页 |
| 5.2.1 量子烟花优化模型（QFA） | 第109-115页 |
| 5.2.2 加权最小二乘支持向量机（W-LSSVM） | 第115-120页 |
| 5.2.3 Spark大数据平台下QFA-W-LSSVM覆冰预测流程 | 第120-122页 |
| 5.3 实证分析 | 第122-131页 |
| 5.3.1 覆冰预测大数据选取和预处理 | 第122-123页 |
| 5.3.2 基于DWT-IR的特征提取 | 第123-124页 |
| 5.3.3 基于QFA-W-LSSVM的覆冰预测 | 第124-127页 |
| 5.3.4 QFA-W-LSSVM预测模型鲁棒性验证 | 第127-131页 |
| 5.4 Spark大数据平台下基于误差修正的覆冰智能自适应优选综合预测模型 | 第131-133页 |
| 5.5 本章小结 | 第133-134页 |
| 第6章 基于DBN-ANFIS的输电线路覆冰风险智能评估模型 | 第134-153页 |
| 6.1 输电线路覆冰状态风险等级界定 | 第134-136页 |
| 6.2 输电线路覆冰风险评估指标体系 | 第136-139页 |
| 6.2.1 指标体系建立的原则 | 第136-137页 |
| 6.2.2 覆冰风险评估指标体系 | 第137-139页 |
| 6.3 基于Spark大数据平台的DBN-ANFIS覆冰风险智能评估模型 | 第139-147页 |
| 6.3.1 动态贝叶斯模型 | 第139-141页 |
| 6.3.2 自适应模糊智能推断系统（ANFIS） | 第141-142页 |
| 6.3.3 基于动态贝叶斯推理的ANFIS模型 | 第142-145页 |
| 6.3.4 Spark大数据平台下基于DBN-ANFIS覆冰状态风险智能评估模型流程 | 第145-147页 |
| 6.4 实证分析 | 第147-151页 |
| 6.5 本章小结 | 第151-153页 |
| 第7章 输电线路覆冰灾害经济性损失评估 | 第153-171页 |
| 7.1 输电线路覆冰灾害经济性损失评估指标体系 | 第153-160页 |
| 7.1.1 覆冰造成断线经济性损失评估指标体系 | 第153-156页 |
| 7.1.2 覆冰灾害引起区域电网大停电经济性损失评估指标体系 | 第156-160页 |
| 7.2 基于层次分析和熵权组合法的评估模型 | 第160-165页 |
| 7.2.1 基于AHP-熵权法的组合权重模型 | 第160-164页 |
| 7.2.2 模糊综合评估模型 | 第164-165页 |
| 7.3 实证分析 | 第165-169页 |
| 7.3.1 覆冰造成断线经济性损失评估 | 第165-168页 |
| 7.3.2 覆冰造成区域大停电经济性损失评估 | 第168-169页 |
| 7.4 本章小结 | 第169-171页 |
| 第8章 基于大数据的区域电网覆冰灾害风险管理体系 | 第171-193页 |
| 8.1 基于大数据的区域电网覆冰风险管理概述 | 第171-172页 |
| 8.2 区域电网覆冰灾害管理组织机构 | 第172-174页 |
| 8.3 基于大数据的区域电网覆冰灾害风险识别 | 第174-175页 |
| 8.4 区域电网覆冰灾害大数据在线预警系统 | 第175-179页 |
| 8.5 区域电网覆冰灾害大数据应急保障体系 | 第179-183页 |
| 8.6 区域电网覆冰灾害大数据应急处理预案 | 第183-191页 |
| 8.6.1 区域电网覆冰灾害预警流程 | 第185-187页 |
| 8.6.2 区域电网覆冰灾害应急响应方式 | 第187-190页 |
| 8.6.3 区域电网覆冰灾害应急其他内容 | 第190-191页 |
| 8.7 本章小结 | 第191-193页 |
| 第9章 研究成果与结论 | 第193-197页 |
| 参考文献 | 第197-206页 |
| 攻读博士学位期间发表的论文及其它成果 | 第206-208页 |
| 攻读博士学位期间参加的科研工作 | 第208-209页 |
| 致谢 | 第209-210页 |
| 作者简介 | 第210页 |
