| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 选题背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 课题研究的主要内容 | 第14页 |
| 1.4 论文的组织安排 | 第14-16页 |
| 第2章 相关技术 | 第16-22页 |
| 2.1 基于神经网络的故障诊断与预警方法 | 第16-17页 |
| 2.2 云计算技术综述 | 第17-18页 |
| 2.2.1 Hadoop简介 | 第17-18页 |
| 2.2.2 Storm简介 | 第18页 |
| 2.3 Spark计算框架 | 第18-21页 |
| 2.3.1 Spark体系架构 | 第19页 |
| 2.3.2 Spark的特点 | 第19-20页 |
| 2.3.3 Spark与Hadoop的比较 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 风电机组发电机故障预警模型的设计 | 第22-28页 |
| 3.1 故障分析 | 第22-24页 |
| 3.1.1 风力发电机故障统计 | 第22-23页 |
| 3.1.2 风力发电机故障分析 | 第23-24页 |
| 3.2 故障诊断和预警的特征选择 | 第24页 |
| 3.3 风电机组发电机故障预警模型设计 | 第24-27页 |
| 3.3.1 模型架构设计 | 第24-26页 |
| 3.3.2 风电机组故障预警模型算法模块图 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 基于大数据技术的发电机故障诊断方法 | 第28-39页 |
| 4.1 基于Spark的电力大数据属性约简算法设计 | 第28-36页 |
| 4.1.1 知识表示 | 第28-29页 |
| 4.1.2 基于FCM的电力属性模糊化 | 第29-31页 |
| 4.1.3 算法的并行化框架设计 | 第31-33页 |
| 4.1.4 基于Spark的电力属性离散化并行算法的设计 | 第33-34页 |
| 4.1.5 基于Spark的并行约简算法的设计 | 第34-36页 |
| 4.2 基于大数据技术的朴素贝叶斯故障诊断算法设计 | 第36-38页 |
| 4.2.1 朴素贝叶斯分类算法 | 第36页 |
| 4.2.2 状态监测实时流数据处理 | 第36-37页 |
| 4.2.3 基于RDD-NB故障诊断算法设计 | 第37-38页 |
| 4.3 本章小结 | 第38-39页 |
| 第5章 基于Spark的故障预警方法设计 | 第39-47页 |
| 5.1 基于BP神经网络的故障预警训练模型设计 | 第39页 |
| 5.2 基于DBNS的故障预警训练模型设计 | 第39-43页 |
| 5.2.1 DBNS训练架构 | 第39-40页 |
| 5.2.2 RBM自训练 | 第40-42页 |
| 5.2.3 DBNS训练流程 | 第42-43页 |
| 5.3 基于RDD-DBNS-MA的故障预警算法设计 | 第43-46页 |
| 5.3.1 DBNS算法的RDD设计 | 第43-45页 |
| 5.3.2 基于multi-agent的预警决策模型 | 第45-46页 |
| 5.4 本章小结 | 第46-47页 |
| 第6章 实验测试与分析 | 第47-56页 |
| 6.1 实验环境说明 | 第47-49页 |
| 6.1.1 系统环境说明 | 第47页 |
| 6.1.2 测试数据集描述 | 第47-48页 |
| 6.1.3 评价指标描述 | 第48-49页 |
| 6.2 基于Spark的电力大数据属性约简算法测试实验 | 第49-50页 |
| 6.2.1 约简效果分析 | 第49-50页 |
| 6.2.2 并行性能分析 | 第50页 |
| 6.3 基于RDD-NB诊断算法的测试实验 | 第50-52页 |
| 6.3.1 算法诊断准确率分析 | 第50-51页 |
| 6.3.2 算法的并行性能分析 | 第51-52页 |
| 6.4 基于RDD-DBNS-MA预测算法的测试实验 | 第52-55页 |
| 6.4.1 预测数据集分析 | 第52页 |
| 6.4.2 算法的有效性和并行性能分析 | 第52-55页 |
| 6.5 本章小结 | 第55-56页 |
| 第7章 总结与展望 | 第56-58页 |
| 7.1 本文主要工作 | 第56页 |
| 7.2 未来工作的展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第62-63页 |
| 致谢 | 第63页 |
