基于粒子群优化BP神经网络在电站锅炉中的应用研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 解决方案 | 第11页 |
| 1.3 锅炉工作机理建模 | 第11-12页 |
| 1.4 锅炉燃烧工况最优化 | 第12页 |
| 1.5 本文主要研究内容及安排 | 第12-13页 |
| 1.5.1 本文研究内容 | 第12-13页 |
| 1.5.2 论文章节安排 | 第13页 |
| 1.6 本章小结 | 第13-15页 |
| 第二章 电站锅炉经济性运行的研究 | 第15-23页 |
| 2.1 电站锅炉NO_x排放机理与控制 | 第15-17页 |
| 2.1.1 概述 | 第15页 |
| 2.1.2 NO_x生成机理 | 第15-16页 |
| 2.1.3 燃烧中NO_x的破坏机理 | 第16-17页 |
| 2.2 影响煤粉炉NO_x排放的因素 | 第17-18页 |
| 2.2.1 炉温的影响 | 第17页 |
| 2.2.2 过剩空气系数的影响 | 第17页 |
| 2.2.3 燃煤性质的影响 | 第17-18页 |
| 2.2.4 煤粉细度的影响 | 第18页 |
| 2.3 燃烧优化技术在低NO_x排放中的意义 | 第18-20页 |
| 2.3.1 燃烧优化技术简介 | 第19页 |
| 2.3.2 国内外燃烧优化技术的应用状况 | 第19-20页 |
| 2.4 锅炉燃烧过程及其控制 | 第20-21页 |
| 2.4.1 燃烧控制系统的基本任务 | 第20页 |
| 2.4.2 被控参数的作用 | 第20-21页 |
| 2.5 锅炉经济性运行影响因素的分析 | 第21-22页 |
| 2.5.1 排烟温度的影响 | 第21-22页 |
| 2.5.2 过剩空气系数的影响 | 第22页 |
| 2.5.3 飞灰含碳量的影响 | 第22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 神经网络算法概述 | 第23-33页 |
| 3.1 人工神经网络基础知识 | 第23-26页 |
| 3.1.1 生物神经元模型 | 第23-24页 |
| 3.1.2 人工神经网络模型 | 第24-25页 |
| 3.1.3 人工神经网络学习 | 第25-26页 |
| 3.2 误差反传(BP)神经网络 | 第26-29页 |
| 3.2.1 BP神经网络 | 第26-27页 |
| 3.2.2 BP神经网络拓扑结构 | 第27-29页 |
| 3.3 BP神经网络算法 | 第29-31页 |
| 3.3.1 信息的正向传递 | 第29页 |
| 3.3.2 误差反向传播求权值变化 | 第29-31页 |
| 3.4 BP神经网络算法的改进 | 第31-32页 |
| 3.4.1 BP算法的缺陷 | 第31-32页 |
| 3.4.2 改进算法 | 第32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 粒子群算法概述 | 第33-40页 |
| 4.1 粒子群算法的起源 | 第33页 |
| 4.2 粒子群算法的原理 | 第33-34页 |
| 4.3 粒子群算法流程 | 第34-35页 |
| 4.4 粒子群算法与遗传算法的比较 | 第35-38页 |
| 4.4.1 粒子群算法的特点 | 第35-36页 |
| 4.4.2 遗传算法原理 | 第36-37页 |
| 4.4.3 两者之间的区别 | 第37-38页 |
| 4.5 PSO对BP神经网络优化过程 | 第38-39页 |
| 4.6 本章小结 | 第39-40页 |
| 第五章 优化算法在锅炉燃烧中应用 | 第40-56页 |
| 5.1 锅炉基本介绍 | 第40-41页 |
| 5.2 神经网络样本数据 | 第41-45页 |
| 5.3 数据归一化 | 第45-46页 |
| 5.4 参数设置 | 第46页 |
| 5.5 优化结果分析 | 第46-55页 |
| 5.6 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-57页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间发表的论文 | 第62页 |
