火电厂锅炉烟气含氧量预测及燃烧系统优化研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 绪论 | 第10-18页 |
| ·论文选题的目的和意义 | 第10页 |
| ·本课题的研究现状 | 第10-14页 |
| ·烟气含氧量测量的研究现状 | 第10-12页 |
| ·锅炉燃烧系统优化的研究现状 | 第12-14页 |
| ·电站锅炉燃烧系统 | 第14-15页 |
| ·燃烧系统的生产过程 | 第14-15页 |
| ·锅炉燃烧与节能 | 第15页 |
| ·本论文的主要内容 | 第15-18页 |
| 2 软测量系统原理 | 第18-28页 |
| ·软测量技术简介 | 第18-19页 |
| ·软测量模型建模方法及特点 | 第19-22页 |
| ·软测量模型的工程实现 | 第22-23页 |
| ·烟气含氧量的软测量实现方法 | 第23-26页 |
| ·基于工艺机理分析的方法 | 第24页 |
| ·基于过程对象动态数学模型的方法 | 第24页 |
| ·基于人工神经网络的软测量建模方法 | 第24-25页 |
| ·基于支持向量机的烟气含氧量的软测量 | 第25页 |
| ·组合建模方法的烟气含氧量测量方法 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 3 烟气含氧量软测量中辅助变量选择研究 | 第28-52页 |
| ·现场数据的采集与预处理 | 第28-36页 |
| ·火电厂运行参数的特点 | 第28-29页 |
| ·检测点位置的选择 | 第29页 |
| ·现场数据的采集 | 第29-31页 |
| ·数据预处理技术 | 第31-36页 |
| ·基于主元分析的辅助变量选择 | 第36-46页 |
| ·主元分析技术的主要思想 | 第36-39页 |
| ·提取主成分的计算方法 | 第39-41页 |
| ·应用主元分析处理数据 | 第41-46页 |
| ·基于偏最小二乘的辅助变量选择 | 第46-50页 |
| ·偏最小二乘算法的主要思想 | 第46-47页 |
| ·成分数的选取 | 第47-48页 |
| ·应用偏最小二乘处理数据 | 第48-50页 |
| ·本章小结 | 第50-52页 |
| 4 烟气含氧量的软测量实现 | 第52-62页 |
| ·神经网络模型预测技术 | 第52-55页 |
| ·人工神经网络的工作原理 | 第52页 |
| ·人工神经网络的特点 | 第52-53页 |
| ·BP神经网络模型 | 第53-54页 |
| ·BP神经网络算法的改进 | 第54-55页 |
| ·MATLAB神经网络工具箱介绍 | 第55-56页 |
| ·烟气含氧量软测量工程实现 | 第56-61页 |
| ·烟气含氧量软测量模型建立 | 第56页 |
| ·隐含层、节点数和初始权值的选取 | 第56-57页 |
| ·BP网络的训练与检验 | 第57-61页 |
| ·本章小结 | 第61-62页 |
| 5 基于遗传算法的锅炉燃烧系统优化 | 第62-74页 |
| ·锅炉燃烧优化 | 第62-63页 |
| ·遗传算法简介 | 第63-66页 |
| ·遗传算法的起源 | 第64页 |
| ·遗传算法的基本运算 | 第64-66页 |
| ·基于实数编码的遗传算法设计 | 第66-67页 |
| ·遗传算法在锅炉燃烧优化中的应用 | 第67-69页 |
| ·锅炉燃烧系统模型 | 第67-69页 |
| ·锅炉燃烧系统优化 | 第69页 |
| ·软件实现 | 第69-73页 |
| ·本章小结 | 第73-74页 |
| 6 结论 | 第74-76页 |
| 参考文献 | 第76-78页 |
| 作者简历 | 第78-82页 |
| 教育经历 | 第78页 |
| 攻读学位期间参加的科研工作 | 第78-82页 |
| 学位论文数据集 | 第82页 |
