能源介质消耗预报及机组调度研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 问题研究背景 | 第12-13页 |
| 1.2 能源预测的研究意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-16页 |
| 1.4 本文主要框架和研究路线 | 第16页 |
| 1.5 本章小结 | 第16-18页 |
| 第2章 钢铁能源介质消耗模型与算法综述 | 第18-34页 |
| 2.1 引言 | 第18-19页 |
| 2.2 数学模型的确定 | 第19-22页 |
| 2.3 支持向量机理论 | 第22-31页 |
| 2.3.1 统计理论 | 第22-25页 |
| 2.3.2 最大间隔分类超平面 | 第25-29页 |
| 2.3.3 支持向量机算法 | 第29-30页 |
| 2.3.4 核函数 | 第30-31页 |
| 2.4 最小二乘支持向量机算法 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 改进的LSSVM及其结果展示 | 第34-48页 |
| 3.1 引言 | 第34页 |
| 3.2 粒子群算法 | 第34-39页 |
| 3.2.1 粒子群算法的简单原理 | 第34-36页 |
| 3.2.2 自适应粒子群算法 | 第36-38页 |
| 3.2.3 仿真比较 | 第38-39页 |
| 3.3 增强学习 | 第39-42页 |
| 3.3.1 增强学习相关理论的介绍 | 第39-40页 |
| 3.3.2 Q学习的相关知识 | 第40-42页 |
| 3.4 基于最小二乘的SVM的Q学习 | 第42-45页 |
| 3.4.1 基于基于最小二乘的SVM的Q学习结构 | 第42-43页 |
| 3.4.2 仿真比较 | 第43-45页 |
| 3.5 自适应PSO与Q学习的仿真比较 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 带有压力特征的机组组合调度 | 第48-62页 |
| 4.1 数学建模 | 第48-51页 |
| 4.1.1 问题描述 | 第48页 |
| 4.1.2 参数与变量 | 第48-50页 |
| 4.1.3 模型描述 | 第50-51页 |
| 4.1.4 问题特征 | 第51页 |
| 4.2 机组问题的拉格朗日模型 | 第51-54页 |
| 4.3 求解机组子问题 | 第54-57页 |
| 4.3.1 状态点为时间点的动态规划 | 第54-55页 |
| 4.3.2 状态点为开关机时刻的动态规划 | 第55-56页 |
| 4.3.3 两种动态规划的比较 | 第56-57页 |
| 4.3.4 解对偶问题 | 第57页 |
| 4.4 求解可行解 | 第57-59页 |
| 4.5 仿真实验 | 第59-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第5章 具有爬坡约束的压力特征的机组组合调度 | 第62-70页 |
| 5.1 具有爬坡约束的机组调度模型 | 第62-63页 |
| 5.2 求解具有爬坡约束的机组子问题 | 第63-65页 |
| 5.3 具有爬坡约束情况下的可行解的构造 | 第65-66页 |
| 5.4 具有爬坡约束的仿真实验 | 第66-68页 |
| 5.5 本章小结 | 第68-70页 |
| 第6章 结束语 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76页 |
