电站锅炉烟气含氧量软测量方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.1.1 选题背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外软测量技术的研究现状 | 第10-11页 |
| 1.3 本文主要内容 | 第11-12页 |
| 第2章 软测量方法 | 第12-17页 |
| 2.1 软测量技术的原理 | 第12-14页 |
| 2.1.1 建模中辅助变量的选择 | 第12-13页 |
| 2.1.2 数据预处理 | 第13-14页 |
| 2.1.3 软测量模型的建立 | 第14页 |
| 2.1.4 软测量模型的校正 | 第14页 |
| 2.2 软测量建模方法简介 | 第14-17页 |
| 2.2.1 源于机理分析的建模方法 | 第14-15页 |
| 2.2.2 基于数据驱动的建模方法 | 第15-17页 |
| 第3章 基于数据驱动的软测量方法 | 第17-23页 |
| 3.1 统计回归 | 第17-18页 |
| 3.1.1 最小二乘回归 | 第17-18页 |
| 3.1.2 加权最小二乘回归 | 第18页 |
| 3.1.3 递推最小二乘回归 | 第18页 |
| 3.1.4 广义最小二乘回归 | 第18页 |
| 3.1.5 偏最小二乘回归 | 第18页 |
| 3.2 支持向量机 | 第18-20页 |
| 3.2.1 支持向量机的表达式 | 第19页 |
| 3.2.2 核函数 | 第19-20页 |
| 3.2.3 如何选择支持向量机的模型 | 第20页 |
| 3.3 人工神经网络 | 第20-23页 |
| 3.3.1 RBF神经网络 | 第20-21页 |
| 3.3.2 RBF神经网络参数调整 | 第21-22页 |
| 3.3.3 BP神经网络 | 第22-23页 |
| 第4章 软测量技术在火电厂的应用 | 第23-31页 |
| 4.1 基于统计回归的软测量应用 | 第23-26页 |
| 4.1.1 基于偏最小二乘回归的炉腊出口烟温测量 | 第23-24页 |
| 4.1.2 基于统计分析的电站锅炉参数软测量 | 第24-26页 |
| 4.2 基于神经网络的软测量应用 | 第26-29页 |
| 4.2.1 基于神经网络的锅炉飞灰含碳量软测量 | 第26-27页 |
| 4.2.2 基于神经网络的锅炉NOx排放软测量 | 第27-29页 |
| 4.3 基于支持向量机的软测量应用 | 第29-31页 |
| 4.3.1 基于支持向量机的锅炉NOx排放软测量 | 第29-30页 |
| 4.3.2 基于支持向量机的飞灰含碳量软测量 | 第30-31页 |
| 第5章 烟气含氧量软测量建模 | 第31-40页 |
| 5.1 数据的选择和分析 | 第31-33页 |
| 5.1.1 电站运行数据的特性 | 第31页 |
| 5.1.2 稳定工况的判断与选取 | 第31-32页 |
| 5.1.3 数据相关性分析 | 第32-33页 |
| 5.2 燃烧的基本原理 | 第33-34页 |
| 5.3 烟气含氧量的影响因素 | 第34-36页 |
| 5.3.1 漏风的影响 | 第34-35页 |
| 5.3.2 煤质成分对测量的影响 | 第35页 |
| 5.3.3 未完全燃烧的影响 | 第35-36页 |
| 5.4 软测量模型的建立 | 第36-40页 |
| 5.4.1 送风量和给煤量的软测量模型 | 第36-37页 |
| 5.4.2 理论空气量和理论烟气容积的软测量模型 | 第37-39页 |
| 5.4.3 氧量软测量模型 | 第39-40页 |
| 第6章 结论 | 第40-41页 |
| 参考文献 | 第41-44页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第44页 |
