| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 建模的研究手段 | 第10-11页 |
| 1.2.2 国内外研究内容 | 第11-14页 |
| 1.3 本课题主要工作内容 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 电站锅炉燃烧系统特性分析 | 第16-26页 |
| 2.1 概述 | 第16页 |
| 2.2 锅炉燃烧特性介绍 | 第16-17页 |
| 2.2.1 锅炉燃烧特性介绍 | 第16页 |
| 2.2.2 燃烧系统简介 | 第16-17页 |
| 2.3 影响锅炉燃烧性能的主要因素 | 第17-21页 |
| 2.3.1 煤质和煤粉细度的影响 | 第17-18页 |
| 2.3.2 过量空气系数的影响 | 第18-19页 |
| 2.3.3 一、二次风的影响 | 第19-20页 |
| 2.3.4 锅炉负荷的影响 | 第20-21页 |
| 2.3.5 积灰结渣的影响 | 第21页 |
| 2.4 600MW超临界锅炉 | 第21-25页 |
| 2.4.1 大同二热 | 第21-23页 |
| 2.4.2 模型参数分析 | 第23-25页 |
| 2.4.2.1 运行情况分析 | 第23页 |
| 2.4.2.2 加装烟气在线分析系统CMES的必要性 | 第23-24页 |
| 2.4.2.3 锅炉运行存在的问题 | 第24页 |
| 2.4.2.4 技术监督分析 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 锅炉燃烧过程的神经网络建模研究 | 第26-40页 |
| 3.1 概述 | 第26页 |
| 3.2 神经网络简介 | 第26-30页 |
| 3.2.1 人工神经网络 | 第26-28页 |
| 3.2.1.1 人工神经网络概述 | 第26页 |
| 3.2.1.2 神经网络的主要性质 | 第26-27页 |
| 3.2.1.3 人工神经网络的应用 | 第27-28页 |
| 3.2.2 BP神经网络 | 第28-30页 |
| 3.2.2.1 BP神经网络概述 | 第28页 |
| 3.2.2.2 BP神经网络的拓扑结构 | 第28-29页 |
| 3.2.2.3 BP神经网络的训练步骤 | 第29-30页 |
| 3.2.2.4 BP神经网络的优点 | 第30页 |
| 3.3 基于神经网络的燃烧建模 | 第30-39页 |
| 3.3.1 锅炉燃烧特性数据建模的特点 | 第30-31页 |
| 3.3.2 BP网络模型的结构设计 | 第31页 |
| 3.3.3 模型参数的选取 | 第31-36页 |
| 3.3.3.1 参数的选取 | 第32页 |
| 3.3.3.2 参数的获取 | 第32-36页 |
| 3.3.4 数据预处理 | 第36-37页 |
| 3.3.5 训练结果及分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 锅炉燃烧过程模型的优化分析 | 第40-52页 |
| 4.1 概述 | 第40页 |
| 4.2 遗传算法 | 第40-42页 |
| 4.2.1 遗传算法原理 | 第40-41页 |
| 4.2.2 遗传算法运算步骤 | 第41-42页 |
| 4.3 遗传算法与神经网络结合 | 第42页 |
| 4.4 遗传算法在锅炉燃烧优化建模中的应用 | 第42-46页 |
| 4.4.1 遗传算法优化BP神经网络模型 | 第43页 |
| 4.4.2 遗传算法优化BP神经网络模型 | 第43-45页 |
| 4.4.3 GA-BP算法的优化步骤 | 第45-46页 |
| 4.5 优化结果分析 | 第46-51页 |
| 4.5.1 优化总体情况 | 第46-49页 |
| 4.5.2 典型工况下优化前后分析 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 结论与展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第57-58页 |
| 攻读硕士学位期间参加的科研工作 | 第58-59页 |
| 致谢 | 第59页 |