声明
第1章 绪论
1.1 论文的研究背景及意义
1.2 局部放电研究现状
1.2.1 局部放电特征提取研究
1.2.2 局部放电模式识别方法
1.3 大数据处理技术在电力行业研究现状
1.4 论文研究内容
第2章 相关技术
2.1 大数据处理技术
2.1.1 Spark概述
2.1.2 其他并行计算技术
2.2 弹性分布式数据集
2.2.1 RDD创建
2.2.2 RDD操作
2.2.3 容错机制
2.2.4 RDD依赖关系
2.3 Spark应用执行过程
2.4 性能优化
2.5 本章小结
第3章 特征提取设计与实现
3.1 引言
3.2 PD信号EEMD分解
3.2.1 EMD原理
3.2.2 信号EEMD分解
3.3 多尺度样本熵
3.3.1 样本熵
3.3.2 多尺度样本熵
3.4 特征提取方法
3.5 实验结果分析
3.5.1 信号EEMD分解
3.5.2 多尺度样本熵特征提取
3.5.3 分类结果
3.6 本章小结
第4章 基于Spark的SVM多分类设计
4.1 支持向量机
4.2 基于Spark的SVM算法并行研究
4.2.1 层叠式支持向量机
4.2.2 基于Spark的层叠支持向量机并行化
4.3 SVM多分类
4.3.1 构造多分类支持向量机方法
4.3.2 基于决策树多分类支持向量机
4.4 基于Spark的并行SVM多分类器构造
4.4.1 基于Spark一对多分类器构造
4.4.2 基于Spark一对一分类器构造
4.5 本章小结
第5章 实例测试及分析
5.1 实验环境搭建
5.2 数据样本的并行特征提取
5.2.1 EEMD算法的并行性分析
5.2.2 并行EEMD算法
5.3 基于Spark的支持向量机算法
5.3.1 SVM并行实验
5.3.2 基于Spark的SVM局部放电故障诊断
5.4 本章小结
第6章 结论与展望
6.1 结论
6.2 展望
参考文献
攻读硕士学位期间发表的论文及参加科研情况
致谢
