| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外锅炉燃烧优化控制研究现状 | 第10页 |
| 1.2.2 国内锅炉燃烧优化控制研究现状 | 第10-12页 |
| 1.3 研究内容与方法 | 第12-15页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 研究方法 | 第12-15页 |
| 2 电厂锅炉燃烧优化调整方法研究 | 第15-33页 |
| 2.1 锅炉燃烧耗差分析 | 第15-20页 |
| 2.1.1 锅炉热效率计算 | 第15-16页 |
| 2.1.2 直接变量变化对锅炉效率的影响 | 第16-18页 |
| 2.1.3 直接变量变化对煤耗的影响 | 第18-20页 |
| 2.2 锅炉NOX排放控制 | 第20-23页 |
| 2.2.1 NO_x的产生机理 | 第20-21页 |
| 2.2.2 影响NO_x排放的因素 | 第21-22页 |
| 2.2.3 降低NO_x排放的方法 | 第22-23页 |
| 2.3 锅炉燃烧调整与控制 | 第23-33页 |
| 2.3.1 影响锅炉燃烧的因素 | 第23-25页 |
| 2.3.2 燃料量与风量调节 | 第25-28页 |
| 2.3.3 燃烧器调节与控制 | 第28-33页 |
| 3 基于粒子群优化的RBF神经网络算法 | 第33-47页 |
| 3.1 粒子群算法概述 | 第33-36页 |
| 3.1.1 粒子群算法概述 | 第33页 |
| 3.1.2 粒子群算法基本原理 | 第33-34页 |
| 3.1.3 基本粒子群算法 | 第34-36页 |
| 3.2 其他粒子群算法 | 第36-38页 |
| 3.2.1 标准粒子群算法 | 第36-37页 |
| 3.2.2 压缩粒子群算法 | 第37-38页 |
| 3.3 粒子群算法测试函数及参数说明 | 第38-41页 |
| 3.3.1 标准测试函数 | 第38-39页 |
| 3.3.2 关键参数说明 | 第39-41页 |
| 3.4 粒子群算法算例程序实现 | 第41-43页 |
| 3.5 人工神经网络 | 第43-47页 |
| 3.5.1 人工神经元 | 第43-44页 |
| 3.5.2 神经网络的结构 | 第44-45页 |
| 3.5.3 神经网络的学习 | 第45-46页 |
| 3.5.4 RBF 神经网络模型 | 第46-47页 |
| 4 粒子群优化算法在电厂锅炉燃烧控制中的应用 | 第47-65页 |
| 4.1 电厂锅炉燃烧优化控制模型 | 第47-55页 |
| 4.1.1 MATLAB/Simulink仿真平台概述 | 第47页 |
| 4.1.2 优化模型的建立 | 第47-49页 |
| 4.1.3 样本数据的采集 | 第49页 |
| 4.1.4 输入数据的预处理 | 第49-55页 |
| 4.2 RBF神经网络的学习和训练 | 第55-59页 |
| 4.2.1 RBF神经网络学习过程 | 第55-56页 |
| 4.2.2 RBF神经网络预测效果 | 第56-59页 |
| 4.3 粒子群优化算法应用 | 第59-60页 |
| 4.3.1 粒子群优化算法的编码及适应度函数 | 第59页 |
| 4.3.2 粒子群优化算法的学习步骤 | 第59-60页 |
| 4.3.3 粒子群优化算法的性能评价 | 第60页 |
| 4.4 电厂锅炉燃烧优化控制分析 | 第60-65页 |
| 4.4.1 粒子群优化分析 | 第60-63页 |
| 4.4.2 电厂锅炉燃烧优化控制结果 | 第63-65页 |
| 5 结论与展望 | 第65-67页 |
| 5.1 结论 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 攻读学位期间参加的科研项目及发表的学术论文 | 第67-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-74页 |