基于神经网络的火电机组运行诊断优化方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究应用现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-14页 |
| 第2章 机组历史数据预处理 | 第14-24页 |
| 2.1 引言 | 第14-15页 |
| 2.2 数据稳态判定移动窗口统计距离法 | 第15-17页 |
| 2.3 稳态数据工况划分 | 第17-19页 |
| 2.4 冗余属性与强相关性属性约简 | 第19-23页 |
| 2.4.1 冗余属性合并 | 第20-21页 |
| 2.4.2 强相关属性合并 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 能耗特征参数的选择方法 | 第24-32页 |
| 3.1 引言 | 第24页 |
| 3.2 粗糙集理论概述 | 第24-28页 |
| 3.2.1 粗糙集理论的知识表达系统 | 第24-25页 |
| 3.2.2 粗糙集基本定义 | 第25-27页 |
| 3.2.3 粗糙集知识约简理论 | 第27-28页 |
| 3.3 能耗特征参数筛选算法 | 第28-31页 |
| 3.3.1 决策参数选择 | 第28-29页 |
| 3.3.2 能耗特征参数初选 | 第29-30页 |
| 3.3.3 基于粗糙集理论的属性约简算法 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 火电机组隐性运行状态与基准状态研究 | 第32-41页 |
| 4.1 引言 | 第32页 |
| 4.2 火电机组隐性运行状态的意义 | 第32页 |
| 4.3 运行状态转变的马尔可夫模型 | 第32-36页 |
| 4.4 考虑隐性运行状态转变后的基准状态确定算例 | 第36-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 基于机组数据与机理结合的节能诊断方法 | 第41-57页 |
| 5.1 引言 | 第41页 |
| 5.2 基于神经网络回归的火电机组建模 | 第41-49页 |
| 5.2.1 人工神经网络介绍 | 第42-46页 |
| 5.2.2 火电机组神经网络模型建立 | 第46-49页 |
| 5.3 数据驱动的节能诊断概念与计算模型 | 第49-56页 |
| 5.3.1 传统耗差分析计算模型 | 第51-53页 |
| 5.3.2 数据与机理耗差分析模型结合 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第6章 机理与数据结合的节能诊断系统实例 | 第57-64页 |
| 6.1 实验火电机组信息 | 第57页 |
| 6.2 历史数据预处理与粗糙集约简 | 第57-58页 |
| 6.3 火电机组神经网络结构建立 | 第58-61页 |
| 6.4 判断能损发生部位以及节能诊断 | 第61-63页 |
| 6.5 本章小结 | 第63-64页 |
| 第7章 结论与展望 | 第64-66页 |
| 7.1 结论 | 第64页 |
| 7.2 展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 附: 作者在攻读硕士学位期间发表的论文 | 第70-72页 |
| 致谢 | 第72页 |
