| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 钢铁企业能源诊断问题研究现状 | 第12-14页 |
| 1.2.2 卡尔曼滤波研究现状 | 第14-17页 |
| 1.3 主要工作及研究路线 | 第17-18页 |
| 1.3.1 本文主要工作 | 第17页 |
| 1.3.2 本文研究路线 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 钢铁生产中的能源诊断问题 | 第19-29页 |
| 2.1 钢铁生产流程及需要诊断的介质 | 第19-21页 |
| 2.1.1 钢铁生产流程概述 | 第19页 |
| 2.1.2 钢铁生产的主要工序及其中的诊断介质 | 第19-21页 |
| 2.2 钢铁能源诊断的主要问题 | 第21-25页 |
| 2.2.1 钢铁生产建模过程的问题 | 第21-24页 |
| 2.2.2 能源消耗过程建模的主要目标 | 第24-25页 |
| 2.3 基于数据解析的钢铁能源诊断方法 | 第25-27页 |
| 2.3.1 能源诊断问题中的滤波算法 | 第25-26页 |
| 2.3.2 基于数据解析的建模方法 | 第26-27页 |
| 2.3.3 LSSVM数据建模方法 | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于LSSVM的数据建模方法 | 第29-41页 |
| 3.1 LSSVM算法介绍 | 第29-30页 |
| 3.1.1 LSSVM数据建模方法 | 第29-30页 |
| 3.2 LSSVM在钢铁能源消耗过程中的建模 | 第30-32页 |
| 3.2.1 核函数选择 | 第30-31页 |
| 3.2.2 参数优化 | 第31页 |
| 3.2.3 模型建立 | 第31-32页 |
| 3.3 LSSVM模型分析验证 | 第32-39页 |
| 3.3.1 定值条件下的状态估计 | 第32-35页 |
| 3.3.2 变值条件下的状态估计 | 第35-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 基于LSSVM的Kalman算法在能源诊断中的应用 | 第41-61页 |
| 4.1 卡尔曼滤波算法 | 第41-45页 |
| 4.1.1 基于LSSVM的卡尔曼滤波算法 | 第41-44页 |
| 4.1.2 基于先验值融合的LSSVM-Kalman滤波模型 | 第44-45页 |
| 4.2 基于估计值统计特性的钢铁能源诊断模型 | 第45-49页 |
| 4.2.1 定值条件下的能源诊断模型 | 第45-47页 |
| 4.2.2 变值条件下的能源诊断模型 | 第47-49页 |
| 4.3 模型的数据验证 | 第49-60页 |
| 4.3.1 高炉热风炉系统诊断 | 第49-52页 |
| 4.3.2 焦化工序用电量诊断 | 第52-54页 |
| 4.3.3 炼钢工序氧气吹入量诊断 | 第54-56页 |
| 4.3.4 热轧工序高炉煤气使用量诊断 | 第56-58页 |
| 4.3.5 冷轧工序用电量诊断 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 数据解析方法在电力信息管理系统中的应用 | 第61-71页 |
| 5.1 项目背景 | 第61页 |
| 5.2 电力信息管理系统开发 | 第61-65页 |
| 5.2.1 系统需求分析 | 第61-62页 |
| 5.2.2 电力收费系统构建 | 第62-65页 |
| 5.3 电力数据解析 | 第65-69页 |
| 5.3.1 年用电量变化趋势分析 | 第66-67页 |
| 5.3.2 用电季度性分析 | 第67-68页 |
| 5.3.3 用电比例变化 | 第68-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 本文总结 | 第71页 |
| 6.2 未来展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |