| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文主要内容及章节安排 | 第14-17页 |
| 2 电厂锅炉燃烧系统神经网络静态建模 | 第17-33页 |
| 2.1 火电厂锅炉燃烧系统简介 | 第17-18页 |
| 2.2 数据采集和数据处理 | 第18-22页 |
| 2.3 评价指标选取 | 第22-23页 |
| 2.4 机组负荷与评价指标相关性分析 | 第23-25页 |
| 2.5 评价指标的神经网络建模 | 第25-30页 |
| 2.5.1 训练算法与正则化理论 | 第26-27页 |
| 2.5.2 两优化指标的神经网络建模 | 第27-30页 |
| 2.6 评价指标神经网络建模效果评估 | 第30-32页 |
| 2.7 本章小结 | 第32-33页 |
| 3 非线性动态系统分段建模方法研究 | 第33-47页 |
| 3.1 稳态过程和动态过程 | 第33-38页 |
| 3.1.1 稳态过程和动态过程 | 第34-35页 |
| 3.1.2 非线性动态模型描述 | 第35-37页 |
| 3.1.3 增益匹配及线性动态系统 | 第37-38页 |
| 3.2 非线性稳态建模及稳态增益 | 第38-41页 |
| 3.2.1 非线性稳态模型辨识 | 第38页 |
| 3.2.2 非线性稳态增益计算 | 第38-39页 |
| 3.2.3 神经网络的增益限制训练 | 第39-41页 |
| 3.3 线性动态模型辨识及动态增益 | 第41-42页 |
| 3.3.1 线性动态模型辨识 | 第41-42页 |
| 3.3.2 动态增益计算 | 第42页 |
| 3.4 过程增益近似匹配建模 | 第42-45页 |
| 3.5 本章小结 | 第45-47页 |
| 4 基于前向神经网络的动态特性模型及其应用 | 第47-67页 |
| 4.1 前向神经网络BP训练方法 | 第47-49页 |
| 4.2 前向神经网络和线性系统的混合模型 | 第49-52页 |
| 4.2.1 前向神经网络变量符号定义 | 第49-50页 |
| 4.2.2 动态特性建模模型描述 | 第50-51页 |
| 4.2.3 输出最优估计 | 第51-52页 |
| 4.3 动态特性模型训练方法推导 | 第52-55页 |
| 4.4 动态特性模型对电厂氮氧化物排放量的建模应用 | 第55-65页 |
| 4.4.1 算法实现 | 第56-57页 |
| 4.4.2 算法的建模应用 | 第57-59页 |
| 4.4.3 模型评估 | 第59-64页 |
| 4.4.4 泛化能力评价 | 第64-65页 |
| 4.5 本章小结 | 第65-67页 |
| 5 电厂锅炉燃烧系统的优化与指导系统设计 | 第67-83页 |
| 5.1 遗传算法全局寻优 | 第67-68页 |
| 5.2 300MW负荷处遗传算法优化 | 第68-72页 |
| 5.2.1 基于神经网络模型的优化 | 第68-70页 |
| 5.2.2 基于动态特性模型中稳态映射的优化 | 第70-72页 |
| 5.3 240MW负荷处的遗传算法优化 | 第72-74页 |
| 5.3.1 基于神经网络模型的优化 | 第72-73页 |
| 5.3.2 基于动态特性模型中稳态映射的优化 | 第73-74页 |
| 5.4 氮氧化物排放量的相对增益分析 | 第74-77页 |
| 5.5 锅炉运行优化指导系统设计 | 第77-80页 |
| 5.6 优化系统实施实验方案 | 第80-81页 |
| 5.7 本章小结 | 第81-83页 |
| 6 结论与展望 | 第83-85页 |
| 6.1 总结 | 第83-84页 |
| 6.2 展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 作者简历 | 第89-93页 |
| 学位论文数据集 | 第93页 |