| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 模型辨识理论与方法 | 第11-12页 |
| 1.3 论文的主要工作 | 第12-14页 |
| 第2章 1000MW 机组主要特性及建模方法 | 第14-20页 |
| 2.1 1000MW 火电机组热工对象模型辨识方法 | 第14页 |
| 2.2 1000MW 火电机组的特性 | 第14-16页 |
| 2.2.1 1000MW 超超临界机组的划分 | 第14页 |
| 2.2.2 1000MW 超超临界机组的静态特性 | 第14-16页 |
| 2.2.3 1000MW 超超临界机组的动态特性 | 第16页 |
| 2.3 1000MW 火电机组的模型结构的确定 | 第16-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 蚁群算法原理及在模型辨识中应用 | 第20-35页 |
| 3.1 蚁群算法的提出 | 第20-22页 |
| 3.2 蚁群算法的流程 | 第22-27页 |
| 3.2.1 基本蚁群算法的数学模型 | 第22-24页 |
| 3.2.2 基本蚁群算法模型辨识流程 | 第24-25页 |
| 3.2.3 应用于模型辨识的蚁群算法的数学模型 | 第25-27页 |
| 3.2.4 应用于模型辨识的蚁群算法步骤 | 第27页 |
| 3.3 蚁群算法的参数对算法的影响 | 第27-29页 |
| 3.3.1 参数 m 对算法的影响 | 第28页 |
| 3.3.2 参数ρ对算法的影响 | 第28页 |
| 3.3.3 启发式因子α和期望启发因子β对算法的影响 | 第28-29页 |
| 3.3.4 信息素强度 Q 对蚁群算法性能的影响 | 第29页 |
| 3.4 蚁群算法的特点 | 第29-31页 |
| 3.4.1 蚁群算法具有系统特征 | 第29页 |
| 3.4.2 分布式计算 | 第29-30页 |
| 3.4.3 自组织 | 第30页 |
| 3.4.4 正反馈 | 第30-31页 |
| 3.5 基本蚁群算法的缺点及改进 | 第31-33页 |
| 3.5.1 基本蚁群算法的缺点 | 第31页 |
| 3.5.2 引入变异特性的蚁群算法 | 第31-33页 |
| 3.6 本章小结 | 第33-35页 |
| 第4章 基于蚁群算法的 1000MW 机组模型辨识 | 第35-52页 |
| 4.1 数据预处理 | 第35-39页 |
| 4.2 参数论域的选择 | 第39页 |
| 4.3 燃料量与主汽压关系模型辨识 | 第39-41页 |
| 4.4 风煤比与含氧量关系模型辨识 | 第41-44页 |
| 4.5 引送风量与炉膛压力关系模型辨识 | 第44-45页 |
| 4.6 燃水比与过热汽温关系模型辨识 | 第45-48页 |
| 4.7 依赖于辨识模型的控制器参数优化示例 | 第48-51页 |
| 4.8 本章小结 | 第51-52页 |
| 第5章 结论和展望 | 第52-54页 |
| 5.1 结论 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士期间发表的学位论文和参加科研情况 | 第57-58页 |
| 致谢 | 第58页 |
