| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 电厂锅炉国内外研究现状分析 | 第11-15页 |
| 1.2.1 锅炉燃烧调整技术国内外研究现状 | 第11-14页 |
| 1.2.2 非线性动态建模与优化研究现状 | 第14-15页 |
| 1.3 本文所做工作 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 电厂锅炉介绍及燃烧工艺 | 第17-30页 |
| 2.1 电厂锅炉介绍 | 第17-19页 |
| 2.1.1 锅炉结构 | 第17-19页 |
| 2.1.2 锅炉工作过程 | 第19页 |
| 2.2 锅炉的主要性能指标与分类 | 第19-22页 |
| 2.2.1 锅炉的性能指标 | 第19-20页 |
| 2.2.2 锅炉分类 | 第20-22页 |
| 2.3 锅炉燃烧工艺过程 | 第22-23页 |
| 2.3.1 煤粉的燃烧过程 | 第22-23页 |
| 2.3.2 过量空气系数 | 第23页 |
| 2.4 陡河电厂200MW超高压锅炉 | 第23-26页 |
| 2.4.1 陡河电厂200MW锅炉介绍 | 第23-25页 |
| 2.4.2 陡河电厂200MW锅炉模型关键指标介绍 | 第25-26页 |
| 2.5 模型参数分析 | 第26-29页 |
| 2.5.1 锅炉效率参数分析 | 第26-27页 |
| 2.5.2 NOx含量参数分析 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 锅炉燃烧系统建模与优化 | 第30-60页 |
| 3.1 神经网络 | 第30-36页 |
| 3.1.1 神经网络构成的基本原理 | 第30-34页 |
| 3.1.2 神经网络的一般训练过程 | 第34-36页 |
| 3.2 建模方式的选择与确定 | 第36-40页 |
| 3.2.1 BP网络介绍 | 第36-38页 |
| 3.2.2 RBF网络介绍 | 第38-39页 |
| 3.2.3 BP神经网络与RBF神经网络精度与实时性对比 | 第39-40页 |
| 3.3 遗传算法介绍 | 第40-42页 |
| 3.3.1 遗传算法简介 | 第40-41页 |
| 3.3.2 遗传算法的基本操作 | 第41-42页 |
| 3.4 正交试验法确定模型参数 | 第42-49页 |
| 3.4.1 试验结果 | 第42-43页 |
| 3.4.2 结果分析 | 第43-49页 |
| 3.5 基于RBF神经网络的锅炉燃烧系统建模 | 第49-52页 |
| 3.6 基于遗传算法的模型优化 | 第52-59页 |
| 3.6.1 工作主流程设计 | 第52页 |
| 3.6.2 基因代码的确定 | 第52-59页 |
| 3.7 本章小结 | 第59-60页 |
| 第4章 燃烧系统网络模型的工程应用 | 第60-78页 |
| 4.1 数据样本采集器——进行数据准备 | 第60-68页 |
| 4.1.1 锅炉优化参数的选择 | 第60-61页 |
| 4.1.2 上级优化系统与下级DCS之间数据交换 | 第61-62页 |
| 4.1.3 数据清洗与选优操作 | 第62-68页 |
| 4.1.4 动态更新数据 | 第68页 |
| 4.2 原型系统设计与实现 | 第68-72页 |
| 4.2.1 系统设计 | 第68-70页 |
| 4.2.2 运行过程 | 第70-72页 |
| 4.3 陡河电厂200MW锅炉运行优化结果对比 | 第72-77页 |
| 4.4 本章小结 | 第77-78页 |
| 第5章 结论与展望 | 第78-80页 |
| 5.1 主要结论 | 第78页 |
| 5.2 后续展望 | 第78-80页 |
| 参考文献 | 第80-86页 |
| 致谢 | 第86页 |