| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章、绪论 | 第9-16页 |
| ·课题背景和意义 | 第9-10页 |
| ·国内外研究动态 | 第10-16页 |
| ·SIS 系统研究发展动态 | 第10-11页 |
| ·人工智能的发展及其在电厂中的应用与现状 | 第11-16页 |
| 第二章、SIS 系统体系结构分析及功能模块分析 | 第16-28页 |
| ·引言 | 第16页 |
| ·国外提出的一些较先进的一体化体系结构模型介绍 | 第16-19页 |
| ·ABB 公司的一体化模式 | 第16-17页 |
| ·西门子公司的一体化模式 | 第17-18页 |
| ·Honeywell 公司的一体化模式 | 第18-19页 |
| ·Foxboro 公司的一体化模式 | 第19页 |
| ·SIS 系统的概念、面向对象及体系结构 | 第19-25页 |
| ·SIS 系统的概念 | 第20-21页 |
| ·SIS 系统的组成 | 第21-22页 |
| ·SIS 系统的主要功能 | 第22-24页 |
| ·理想的SIS 的体系结构 | 第24-25页 |
| ·本章小节 | 第25-26页 |
| 参考文献 | 第26-28页 |
| 第三章、SIS 系统功能模块模型库的建立 | 第28-47页 |
| ·火电厂“机组性能在线监测与能损分析系统”模型库的建立 | 第28-32页 |
| ·回热子系统 | 第28-31页 |
| ·汽轮机模块模型 | 第31页 |
| ·锅炉效率数学模型 | 第31-32页 |
| ·汽轮机排汽焓和湿蒸汽区抽汽点焓的确定 | 第32页 |
| ·火电厂运行参数基准值模型 | 第32-37页 |
| ·主要运行参数的基准值 | 第33页 |
| ·加热器端差运行基准值 | 第33-35页 |
| ·抽汽压损和再热蒸汽管道压损运行基准值 | 第35页 |
| ·人工智能方法求取运行参数基准值 | 第35-37页 |
| ·能损偏差计算模型 | 第37-41页 |
| ·热力学方法 | 第37-38页 |
| ·利用制造厂提供的修正曲线资料 | 第38-39页 |
| ·利用成熟的经验公式或理论公式 | 第39-40页 |
| ·人工智能方法确定能损偏差 | 第40-41页 |
| ·组件对象(COM)技术在电厂SIS 系统模型开发实现中的应用研究 | 第41-45页 |
| ·组件对象模型(COM)简介 | 第41-42页 |
| ·加热器组件对象模型 | 第42页 |
| ·辅汽系统组件对象模型 | 第42-43页 |
| ·热力系统组件对象模型 | 第43-44页 |
| ·应用实例 | 第44-45页 |
| ·本章小节 | 第45-46页 |
| 参考文献 | 第46-47页 |
| 第四章、人工神经网络在电厂SIS 系统功能模块建模中的应用研究 | 第47-66页 |
| ·引言 | 第47页 |
| ·神经网络模型简介 | 第47-53页 |
| ·BP 神经网络模型简介 | 第48-51页 |
| ·自组织特征映射神经网络 | 第51-53页 |
| ·汽轮机功率神经网络模型的建立及其应用 | 第53-60页 |
| ·神经网络汽轮机功率模型的建立 | 第53-55页 |
| ·神经网络模型的仿真结果与分析 | 第55-57页 |
| ·汽轮机功率随各主要参数的变化 | 第57-60页 |
| ·汽轮机功率神经网络模型的应用 | 第60-64页 |
| ·用于计算主要运行参数偏离最优值的能损偏差 | 第60-61页 |
| ·用于求取凝汽器真空运行最优值 | 第61-62页 |
| ·遗传算法配合神经网络模型建立求凝汽器运行真空最优值的模型 | 第62-64页 |
| ·本章小节 | 第64-65页 |
| 参考文献 | 第65-66页 |
| 第五章、遗传算法在电厂SIS 系统优化问题中的应用研究 | 第66-88页 |
| ·引言 | 第66-67页 |
| ·遗传算法 | 第67-70页 |
| ·遗传算法简述 | 第67-68页 |
| ·实数编码遗传算法 | 第68-70页 |
| ·目前已有的遗传算法解约束优化问题的处理约束方法 | 第70页 |
| ·火电厂机组负荷优化分配遗传算法模型 | 第70-79页 |
| ·火电厂机组负荷优化分配数学模型 | 第71-72页 |
| ·机组负荷优化分配问题实数遗传算法具体实现 | 第72-74页 |
| ·纯惩罚函数遗传算法机组负荷优化分配计算实例及存在问题分析 | 第74-77页 |
| ·部分解约束结合惩罚函数的改进遗传算法 | 第77-79页 |
| ·各操作参数对遗传算法优化效果的影响 | 第79-84页 |
| ·遗传代数的影响 | 第79-80页 |
| ·种群大小的变化对遗传算法效果的影响 | 第80-81页 |
| ·交叉概率的影响 | 第81页 |
| ·变异概率的影响 | 第81-82页 |
| ·惩罚系数的影响 | 第82-83页 |
| ·选择压力的影响 | 第83-84页 |
| ·本章小节 | 第84-86页 |
| 参考文献 | 第86-88页 |
| 第六章、结论与展望 | 第88-91页 |
| ·课题工作与成果 | 第88-89页 |
| ·展望 | 第89-91页 |
| 致谢 | 第91-92页 |
| 攻读博士学位期间发表论文 | 第92页 |
