| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第15-25页 |
| 1.1 课题研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-24页 |
| 1.2.1 电力设备状态监测的研究现状 | 第16-19页 |
| 1.2.2 电力设备局部放电技术的研究现状 | 第19-21页 |
| 1.2.3 大数据技术在电力行业中的研究现状 | 第21-24页 |
| 1.3 论文的主要研究内容 | 第24-25页 |
| 第2章 面向电力设备状态监测的综合云计算平台架构设计 | 第25-43页 |
| 2.1 引言 | 第25-26页 |
| 2.2 并行计算 | 第26-28页 |
| 2.2.1 并行计算概念 | 第26页 |
| 2.2.2 并行计算技术分类 | 第26-27页 |
| 2.2.3 并行计算编程模型 | 第27-28页 |
| 2.3 基于MPI的并行计算应用实例分析 | 第28-35页 |
| 2.3.1 应用场景 | 第28-29页 |
| 2.3.2 局部放电信号脉冲提取 | 第29-30页 |
| 2.3.3 面临的问题 | 第30-31页 |
| 2.3.4 基于MPI的并行方案 | 第31-35页 |
| 2.4 传统并行计算存在的不足 | 第35-36页 |
| 2.4.1 数据密集型挑战 | 第35页 |
| 2.4.2 扩展性 | 第35页 |
| 2.4.3 容错性 | 第35页 |
| 2.4.4 易用性 | 第35-36页 |
| 2.5 云计算 | 第36-39页 |
| 2.5.1 云计算概念 | 第36页 |
| 2.5.2 云计算编程模型 | 第36-39页 |
| 2.6 并行计算与云计算 | 第39-40页 |
| 2.7 综合云计算平台架构 | 第40-42页 |
| 2.8 本章小结 | 第42-43页 |
| 第3章 基于Map Reduce的局部放电信号统计分析与识别研究 | 第43-75页 |
| 3.1 引言 | 第43-44页 |
| 3.2 局部放电相位分布分析 | 第44-45页 |
| 3.3 基础放电参数提取 | 第45-52页 |
| 3.3.1 局部极值点双阈值过滤法 | 第46-47页 |
| 3.3.2 自适应阈值选取方案 | 第47-51页 |
| 3.3.3 阈值方案的优化 | 第51-52页 |
| 3.3.4 基础参数自适应提取流程 | 第52页 |
| 3.4 谱图绘制与谱图特征提取 | 第52-55页 |
| 3.5 基于KNN的放电类型识别 | 第55页 |
| 3.6 面临的问题 | 第55-56页 |
| 3.7 局部放电信号并行处理 | 第56-62页 |
| 3.7.1 并行化基础参数提取和谱图绘制 | 第57-59页 |
| 3.7.2 并行化统计特征计算 | 第59页 |
| 3.7.3 基于并行化KNN的放电类型识别 | 第59-60页 |
| 3.7.4 整体流程及数据接口 | 第60-62页 |
| 3.8 实验与分析 | 第62-74页 |
| 3.8.1 局部放电实验 | 第62-64页 |
| 3.8.2 Hadoop平台搭建 | 第64页 |
| 3.8.3 基础参数自适应提取算例 | 第64-69页 |
| 3.8.4 Map Reduce并行处理测试 | 第69-74页 |
| 3.9 本章小结 | 第74-75页 |
| 第4章 基于Spark的快速波形信号处理方法研究 | 第75-96页 |
| 4.1 引言 | 第75-76页 |
| 4.2 时序波形信号分析方法 | 第76-77页 |
| 4.3 集合经验模态分解理论 | 第77-79页 |
| 4.3.1 经验模态分解 | 第77-78页 |
| 4.3.2 集合经验模态分解 | 第78-79页 |
| 4.4 EEMD算法的并行性分析 | 第79-80页 |
| 4.5 并行EEMD算法 | 第80-86页 |
| 4.5.1 Epoch级并行EEMD | 第81-83页 |
| 4.5.2 Trial级并行EEMD | 第83-84页 |
| 4.5.3 EEMD算法实现 | 第84-86页 |
| 4.6 基于EEMD的局部放电波形特征提取 | 第86-89页 |
| 4.6.1 能量参数 | 第87页 |
| 4.6.2 样本熵 | 第87-88页 |
| 4.6.3 模态分量选取 | 第88-89页 |
| 4.7 结果与分析 | 第89-95页 |
| 4.7.1 局部放电波形特征提取算例 | 第89-91页 |
| 4.7.2 EEMD处理性能对比测试 | 第91-93页 |
| 4.7.3 分区对并行性能的影响测试 | 第93-94页 |
| 4.7.4 加速比分析 | 第94-95页 |
| 4.8 本章小结 | 第95-96页 |
| 第5章 基于Storm的电力设备在线并行诊断方法研究 | 第96-114页 |
| 5.1 引言 | 第96-97页 |
| 5.2 变量预测模型分类 | 第97-99页 |
| 5.2.1 变量预测模型 | 第97-98页 |
| 5.2.2 模型建立过程 | 第98页 |
| 5.2.3 模型应用过程 | 第98-99页 |
| 5.3 VPM的增量更新 | 第99-102页 |
| 5.3.1 VPM的一般学习 | 第99-100页 |
| 5.3.2 VPM的增量式学习 | 第100-102页 |
| 5.4 在线并行故障诊断方法 | 第102-107页 |
| 5.4.1 整体框架 | 第102页 |
| 5.4.2 基于Kafka的消息分发 | 第102-103页 |
| 5.4.3 拓扑的设计与实现 | 第103-107页 |
| 5.5 结果与分析 | 第107-113页 |
| 5.5.1 IVPMCD的性能测试 | 第107-109页 |
| 5.5.2 在线并行故障诊断方法的性能测试 | 第109-113页 |
| 5.6 本章小结 | 第113-114页 |
| 第6章 结论与展望 | 第114-116页 |
| 6.1 结论 | 第114-115页 |
| 6.2 展望 | 第115-116页 |
| 参考文献 | 第116-126页 |
| 攻读博士学位期间发表的论文 | 第126-128页 |
| 攻读博士学位期间参加的科研工作 | 第128-129页 |
| 致谢 | 第129-130页 |
| 作者简介 | 第130页 |
