| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景与意义 | 第10-12页 |
| 1.2 汽轮机最优运行初压研究的现状 | 第12-13页 |
| 1.3 人工智能技术 | 第13-16页 |
| 1.3.1 人工神经网络 | 第13-15页 |
| 1.3.2 群体智能优化算法 | 第15-16页 |
| 1.4 本文的主要研究内容及结构安排 | 第16-18页 |
| 第2章 相关理论知识介绍 | 第18-27页 |
| 2.1 快速学习网 | 第18-21页 |
| 2.2 汽轮机工作原理及工艺流程 | 第21-22页 |
| 2.3 汽轮机热耗率计算 | 第22-23页 |
| 2.4 最优运行初压的目标函数建立 | 第23-26页 |
| 2.4.1 最优运行方式分析 | 第23-25页 |
| 2.4.2 最优运行初压的数学模型 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 鲸鱼优化算法及其改进 | 第27-47页 |
| 3.1 鲸鱼捕食行为描述 | 第27-28页 |
| 3.2 鲸鱼优化算法的基本原理 | 第28-30页 |
| 3.2.1 包围猎物 | 第28页 |
| 3.2.2 bubble-net狩猎行为 | 第28-29页 |
| 3.2.3 搜索猎物 | 第29页 |
| 3.2.4 WOA算法伪代码 | 第29-30页 |
| 3.3 改进的鲸鱼优化算法 | 第30-33页 |
| 3.3.1 基于反向学习的种群初始化 | 第30-31页 |
| 3.3.2 自适应惯性权值 | 第31-32页 |
| 3.3.3 AWOA算法的流程图与实现步骤 | 第32-33页 |
| 3.4 仿真实验及结果分析 | 第33-45页 |
| 3.4.1 标准测试函数 | 第33-34页 |
| 3.4.2 WOA、OWOA、IWOA、AWOA性能比较 | 第34-37页 |
| 3.4.3 不同概率时AWOA算法性能比较 | 第37-38页 |
| 3.4.4 AWOA与WOA、PSO、DE优化性能比较 | 第38-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 基于快速学习网的汽轮机热耗率建模 | 第47-56页 |
| 4.1 汽轮机热耗率影响因素分析及模型参数的选取 | 第47-49页 |
| 4.1.1 影响汽轮机热耗率的因素 | 第47页 |
| 4.1.2 模型参数的选取 | 第47-49页 |
| 4.2 热耗率的建模与分析 | 第49-55页 |
| 4.2.1 热耗率模型建立 | 第49-51页 |
| 4.2.2 热耗率预测及模型性能分析 | 第51-55页 |
| 4.3 本章小结 | 第55-56页 |
| 第5章 汽轮机最优运行初压的确定 | 第56-63页 |
| 5.1 机组调峰运行特性和热经济性分析 | 第56-57页 |
| 5.2 机组最优运行初压的确定 | 第57-62页 |
| 5.3 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第71-72页 |
| 致谢 | 第72页 |