| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 电力设备故障诊断研究现状 | 第10-11页 |
| 1.2.2 大数据下流处理研究现状 | 第11-12页 |
| 1.3 论文研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第2章 实时处理框架及其相关技术简介 | 第14-24页 |
| 2.1 Storm平台架构 | 第14-16页 |
| 2.2 Storm基本概念 | 第16-20页 |
| 2.3 Storm平台任务实体 | 第20-21页 |
| 2.4 Storm中的分布式远程过程调用 | 第21-22页 |
| 2.5 其他实时处理框架 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 基于极限学习机的电力设备并行故障诊断 | 第24-34页 |
| 3.1 引言 | 第24页 |
| 3.2 概念漂移的定义 | 第24-25页 |
| 3.3 极限学习机及在线极限学习机概述 | 第25-30页 |
| 3.3.1 极限学习机的基本思想 | 第25-28页 |
| 3.3.2 极限学习机学习算法 | 第28页 |
| 3.3.3 在线极限学习机算法 | 第28-30页 |
| 3.4 数据挖掘算法在电力设备故障诊断的应用 | 第30页 |
| 3.5 Storm框架下并行诊断模型 | 第30-33页 |
| 3.5.1 Storm框架下并行ELM诊断模型的拓扑实现 | 第30-32页 |
| 3.5.2 在线学习模块的实现 | 第32页 |
| 3.5.3 主函数实现 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第4章 基于混合聚类的电力设备并行故障诊断 | 第34-42页 |
| 4.1 引言 | 第34页 |
| 4.2 相关聚类算法概述 | 第34-37页 |
| 4.2.1 硬聚类与模糊聚类的思想 | 第34-35页 |
| 4.2.2 减法聚类 | 第35页 |
| 4.2.3 K-means聚类 | 第35-36页 |
| 4.2.4 模糊c均值聚类 | 第36-37页 |
| 4.3 Storm平台下并行诊断模型 | 第37-41页 |
| 4.3.1 数据接入模块 | 第38-39页 |
| 4.3.2 样本数据标准化处理 | 第39-40页 |
| 4.3.3 数据处理模块 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 实验测试及分析 | 第42-52页 |
| 5.1 Storm集群的搭建 | 第42-43页 |
| 5.2 ELM算法下电力设备故障诊断性能测试 | 第43-49页 |
| 5.2.1 ELM及OS-ELM的性能测试 | 第44-45页 |
| 5.2.2 在线并行诊断方法的性能测试 | 第45-49页 |
| 5.3 HCBOF算法下电力设备故障诊断性能测试 | 第49-51页 |
| 5.3.1 准确性验证 | 第49页 |
| 5.3.2 并行化验证 | 第49-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 结论与展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表的论文及参加科研情况 | 第56-57页 |
| 致谢 | 第57页 |