| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 单元机组协调控制的研究现状 | 第10-11页 |
| 1.3 预测控制的发展及现状 | 第11页 |
| 1.4 本文的主要工作 | 第11-13页 |
| 第2章 神经网络基本原理 | 第13-25页 |
| 2.1 人工神经网络的基本原理 | 第13-17页 |
| 2.1.1 神经元 | 第13-15页 |
| 2.1.2 人工神经元网络模型 | 第15-16页 |
| 2.1.3 人工神经网络的学习 | 第16-17页 |
| 2.2 BP 神经网络原理 | 第17-22页 |
| 2.2.1 BP 网络的结构 | 第17页 |
| 2.2.2 BP 网络的学习算法 | 第17-19页 |
| 2.2.3 BP 网络的改进方案 | 第19-22页 |
| 2.3 BP 网络的 MATLAB 实现 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 粒子群优化算法及改进 | 第25-30页 |
| 3.1 粒子群算法的研究背景 | 第25页 |
| 3.2 粒子群算法的数学描述 | 第25-26页 |
| 3.3 粒子群算法的流程 | 第26-27页 |
| 3.4 参数分析与选取 | 第27-28页 |
| 3.5 一种高效的简化粒子群优化算法 | 第28-29页 |
| 3.6 本章小结 | 第29-30页 |
| 第4章 超临界机组特性的神经网络建模 | 第30-39页 |
| 4.1 超临界直流锅炉机组的特点 | 第30-31页 |
| 4.2 基于 NARMA 模型的神经网络建模方法 | 第31-32页 |
| 4.3 机组负荷、汽压特性的神经网络建模 | 第32-35页 |
| 4.3.1 模型参数选取 | 第32-33页 |
| 4.3.2 机组 NARMA 模型结构确立 | 第33-34页 |
| 4.3.3 模型训练数据的获取 | 第34页 |
| 4.3.4 训练结果及分析 | 第34-35页 |
| 4.4 模型的验证 | 第35-38页 |
| 4.4.1 模型阶跃扰动实验 | 第35-37页 |
| 4.4.2 模型变工况验证 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第5章 协调系统模型预测优化控制方案设计 | 第39-45页 |
| 5.1 协调控制系统概述 | 第39-40页 |
| 5.2 600MW 超临界机组协调控制方式分析 | 第40-41页 |
| 5.3 模型预测优化控制方案设计 | 第41-44页 |
| 5.3.1 预测控制的基本原理 | 第41-42页 |
| 5.3.2 模型预测优化控制(MPOC)方案的确立 | 第42-44页 |
| 5.4 本章小结 | 第44-45页 |
| 第6章 超临界机组协调系统 MPOC 仿真研究 | 第45-56页 |
| 6.1 MPOC 方案的具体实现 | 第45页 |
| 6.2 不同适应度函数值下的仿真实验 | 第45-47页 |
| 6.3 不同搜索窗扩张因子的仿真实验 | 第47-51页 |
| 6.4 最优参数下的仿真实验 | 第51-55页 |
| 6.5 本章小结 | 第55-56页 |
| 第7章 总结与展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第60-61页 |
| 致谢 | 第61页 |