智能電網(wǎng)大數(shù)據(jù)云計算技術研究

第1章 智能電網(wǎng)大數(shù)據(jù)現(xiàn)狀及挑戰(zhàn)
1．1 智能電網(wǎng)
1．2 云計算與大數(shù)據(jù)
1．3 智能電網(wǎng)大數(shù)據(jù)及特點
1．3．1 智能電網(wǎng)中的大數(shù)據(jù)
1．3．2 智能電網(wǎng)中大數(shù)據(jù)的特點
1．4 大數(shù)據(jù)處理技術
1．4．1 大數(shù)據(jù)處理的價值和復雜性
1．4．2 并行數(shù)據(jù)庫
1．4．3 云計算技術
1．4．4 云計算在智能電網(wǎng)中的應用
1．5 智能電網(wǎng)大數(shù)據(jù)機遇與挑戰(zhàn)
1．5．1 大數(shù)據(jù)傳輸及存儲技術
1．5．2 實時數(shù)據(jù)處理技術
1．5．3 異構多數(shù)據(jù)源處理技術
1．5．4 大數(shù)據(jù)可視化分析技術
1．5．5 流式計算技術
1．6 小結
第2章 批處理計算模式及其應用
2．1 批處理技術
2．2 用戶短期用電負荷預測技術
2．2．1 智能電網(wǎng)的互動特性
2．2．2 電力短期負荷預測
2．2．3 基于MapReduce的用戶短期電力負荷預測技術
2．3 絕緣子泄漏電流數(shù)據(jù)聚類劃分技術
2．3．1 狀態(tài)監(jiān)測數(shù)據(jù)特點
2．3．2 基于數(shù)據(jù)驅(qū)動的狀態(tài)監(jiān)測技術
2．3．3 狀態(tài)監(jiān)測大數(shù)據(jù)存儲技術
2．3．4 基于分形維數(shù)的密度聚類劃分
2．3．5 大數(shù)據(jù)聚類算法及仿真試驗
2．4 局部放電信號處理的并行EEMD算法
2．4．1 局部放電信號處理介紹
2．4．2 經(jīng)驗模態(tài)分解EMD
2．4．3 總體經(jīng)驗模態(tài)分解EEMD
2．4．4 EEMD去噪
2．4．5 基于MapReduce模型的并行化EEMD算法
2．4．6 實驗研究
2．5 小結
第3章 智能電網(wǎng)中內(nèi)存計算高性能數(shù)據(jù)分析技術及應用
3．1 內(nèi)存計算技術
3．2 高性能數(shù)據(jù)分析
3．3 狀態(tài)監(jiān)測實時內(nèi)存計算技術
3．3．1 狀態(tài)監(jiān)測實時批處理技術
3．3．2 實時批處理的Spark技術
3．3．3 Spark大數(shù)據(jù)分析
3．4 模糊C均值聚類算法
3．4．1 FCM算法
3．4．2 Spark上矩陣操作定義
3．4．3 SparkFCM算法
3．4．4 實驗與實驗結果分析
3．5 Spark環(huán)境下的高性能OLAP分析查詢
3．5．1 相關背景及工作介紹
3．5．2 相關理論知識介紹
3．5．3 基于Spark的BUC算法設計及改進
3．5．4 實驗與實驗結果分析
3．6 小結
第4章 智能電網(wǎng)多源異構數(shù)據(jù)分析技術
4．1 多源異構數(shù)據(jù)
4．2 存儲優(yōu)化研究
4．2．1 數(shù)據(jù)分布優(yōu)化
4．2．2 數(shù)據(jù)塊尺寸調(diào)優(yōu)
4．2．3 Hadoop集群網(wǎng)絡拓撲規(guī)劃
4．3 并行數(shù)據(jù)融合算例分析
4．3．1 多數(shù)據(jù)源并行連接查詢
4．3．2 多通道數(shù)據(jù)融合特征提取
4．3．3 實驗與結果分析
4．4 多維數(shù)據(jù)連接技術
4．4．1 連接操作
4．4．2 多維Bloom Filter
4．4．3 基于MDBF的星型連接算法
4．4．4 算法分析及性能測試
4．5 小結
第5章 流式計算技術應對智能電網(wǎng)高速實時數(shù)據(jù)
5．1 流式數(shù)據(jù)
5．1．1 流式計算概述
5．1．2 智能電網(wǎng)中的流式數(shù)據(jù)
5．1．3 基于分布式技術的監(jiān)測大數(shù)據(jù)可靠接收及其快速分發(fā)
5．1．4 流式計算在電力系統(tǒng)中的應用
5．2 狀態(tài)監(jiān)測實時流數(shù)據(jù)處理技術
5．2．1 狀態(tài)監(jiān)測流數(shù)據(jù)
5．2．2 Storm流數(shù)據(jù)處理技術
5．2．3 狀態(tài)監(jiān)測流數(shù)據(jù)處理
5．3 大規(guī)模用電數(shù)據(jù)流實時聚類技術
5．3．1 用電數(shù)據(jù)流
5．3．2 DBSCAN聚類算法
5．3．3 流數(shù)據(jù)上DBSCAN
5．3．4 Spark中的流式DBSCAN算法
5．4 基于近似熵算法的電網(wǎng)數(shù)據(jù)特征提取
5．4．1 近似熵理論
5．4．2 Storm框架下近似熵算法的實現(xiàn)
5．5 小結
第6章 智能電網(wǎng)大數(shù)據(jù)全景實時分析平臺探索
6．1 全景實時分析背景
6．2 全景實時分析關鍵技術問題
6．2．1 基于大數(shù)據(jù)的大電網(wǎng)安全可靠性分析技術
6．2．2 基于大數(shù)據(jù)的輸變電設備全壽命周期管理
6．2．3 全景實時能源動態(tài)平衡調(diào)度技術
6．3 電力大數(shù)據(jù)實時分析核心技術
6．3．1 主要技術挑戰(zhàn)
6．3．2 多核/眾核并行計算技術
6．3．3 列存儲技術
6．3．4 基于優(yōu)先級的電力云平臺的任務調(diào)配
6．3．5 大規(guī)模流數(shù)據(jù)可靠接收技術
6．4 電力大數(shù)據(jù)分析平臺
6．4．1 平臺架構
6．4．2 平臺特色
6．5 小結
第7章 大數(shù)據(jù)支撐能源互聯(lián)網(wǎng)建設
7．1 能源互聯(lián)網(wǎng)
7．2 能源互聯(lián)網(wǎng)中的實時大數(shù)據(jù)
7．3 大數(shù)據(jù)支撐能源互聯(lián)網(wǎng)
7．3．1 大數(shù)據(jù)支撐能源互聯(lián)網(wǎng)整體優(yōu)化和調(diào)度
7．3．2 大數(shù)據(jù)提高能源互聯(lián)網(wǎng)安全等級
第8章 總結與展望
8．1 總結
8．2 展望
參考文獻